出现梯度弥散、梯度爆炸的原因及解决办法

---

一、梯度弥散

1.1 什么是梯度弥散？

梯度弥散就是梯度消失，导数为0

1.2 梯度弥散造成的问题

靠近输出层的隐藏层梯度大，参数更新快，所以很快就会收敛;
靠近输入层的隐藏层梯度小，参数更新慢，几乎就和初始状态一样，随机分布。

由于神经网络前几层的权重更新过慢，或者没有更新，从而导致了整个网络
的学习性能下降，达不到训练的标准。

1.3 梯度弥散造成的原因

1. 激活函数的"饱和"。

2. 样本中的奇异样本引起模型无法收敛。

3. 使用反向传播算法传播梯度的时候，随着网络传播深度的增加，
   梯度的幅度会急剧减小，会导致浅层神经元的权重更新非常缓慢。
   不能有效学习。

4. 从数学的角度看，是因为梯度连乘的问题，是梯度消失问题的所在。

5. 学习率过大而导致模型震荡无法收敛。

1.4 梯度弥散的解决办法

1. 使用ReLU,Leaky_ Relu等 激活函数替代Sigmoid。
2. 网络层中的数据进行 batch normalization(批量标准化)。
3. 数据归一化、数据清洗。
4. 使用更好的网络，比如ResNet。
5. 降低学习率。

二、梯度爆炸

1.1 什么是梯度爆炸？

梯度的衰减是有连续乘法导致的，如果在连续乘法中出现一个非常大的值，最后计算出的梯度就会很大，就想当优化到断崖处时，会获得一个很大的梯度值， 如果以这个梯度值进行更新，那么这次迭代的步长就很大，可能会一下子飞出了合理的区域。

1.2 梯度爆炸造成的问题

● 前面网络层的梯度通过训练变大，后面网络层的梯度指数级增大。
● 神经网络模型无法收敛，达不到训练结果。

1.3 梯度爆炸造成的原因

1. 神经网络初始化的权值过大，每层网络反向求导的结果都大于1，
   这样梯度相乘就会变得更大。

2. 学习率非常大而导致梯度爆炸

1.4 梯度爆炸的解决方式

1. 重设初始化权值(指定正态分布采样)
2. 学习率调小