DNN中的梯度消失/爆炸原因
梯度消失/梯度爆炸是深度学习中老生常谈的话题,这篇博客主要是对DNN中的梯度消失/梯度爆炸原因进行公式层面上的直观理解。
如上图所示,假设有2个隐层,前向传播公式:
f 1 = σ ( w 1 x + b 1 ) , z 1 = w 1 x + b 1 f_1 = \sigma(w_1x+b_1),z_1 = w_1x+b_1 f1=σ(w1x+b1),z1=w1x+b1
f 2 = σ ( w 2 f 1 + b 2 ) , z 2 = w 2 f 1 + b 2 f_2 = \sigma(w_2f_1+b_2),z_2 = w_2f_1+b_2 f2=σ(w2f1+b2),z2=w2f1+b2
f 3 = σ ( w 3 f 2 + b 3 ) , z 3 = w 3 f 2 + b 3 f_3 = \sigma(w_3f_2+b_3),z_3 = w_3f_2+b_3 f3=σ(w3f2+b3),z3=w3f2+b3
f 3 f_3 f3是输出层的神经元,所以可以认为 l o s s loss loss是关于 f 3 f_3