神经网络梯度消失或爆炸

神经网络梯度的消失在于多层的求偏导后,值越来越小,导致梯度非常接近于0. 

造成这个现象的主要原因在于激活函数:



从上图我们可以看到常用激活函数Sigmoid, Tanh, 以及Relu 的倒数的取值范围都在 0~1 之间,所以在多层神经网络以后这个梯度会出现消失现象:

比如说 每一层的梯度都是0.8, 在经过 50层以后 0.8**50 = 0.0000143. 所以整个模型的学习进程会非常慢。但是通常来说 Relu激活函数在梯度消失问题上明显小于Sigmoid函数。


同理如果激活函数的梯度都比1大 那么这个结果将会变得非常大,这个梯度将会出现爆炸现象。



为了解决梯度爆炸问题,最常用的思路是使用梯度裁剪 (Gradient Clipping)



先设定一个梯度可以接受的最大值(阈值),如果超过这个最大值(阈值),我们通过等比缩放这个梯度值来解决。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值