深度学习-梯度下降和梯度爆炸问题

  随着神经网络层数的增加,会出现梯度消失或者梯度爆炸的问题,下面细说下问什么会出现:



      起初的学习率固定。

      下面来看几组通过增加隐藏层层数后的学习率变化图:


   

  

   

    

   

     


 

    

   

转载自:http://blog.csdn.net/qq_29133371/article/details/51867856

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习中,梯度下降是一种常用的优化算法。不同的学习率、梯度下降方法、迭代次数以及平均损失间隔等超参数的选择,都会对梯度下降的效果产生影响。 首先,学习率的选择会直接影响到梯度下降的速度和收敛性。如果学习率过大,可能会导致优化过程不稳定,甚至出现震荡。如果学习率过小,则可能会导致优化过程过于缓慢,甚至陷入局部最优解。因此,需要根据具体问题来选择合适的学习率。 其次,梯度下降方法的选择也会对优化效果产生影响。例如,常见的梯度下降方法包括随机梯度下降(SGD)、批量梯度下降(BGD)以及小批量梯度下降(MBGD)等。不同的梯度下降方法具有不同的优缺点,需要根据具体问题来选择合适的方法。 此外,迭代次数和平均损失间隔也会对梯度下降的效果产生影响。迭代次数越多,优化过程越充分,但也可能会过拟合。平均损失间隔则可以平滑损失函数的变化,使得优化过程更加稳定。 对于损失函数的大小,不同的超参数选择会导致不同的效果。如果选择了合适的超参数,优化过程会更加充分,损失函数的值也会更小。但是,如果超参数选择不合适,则可能会导致优化过程不稳定,甚至出现梯度爆炸或消失的问题,导致损失函数无法收敛。 总之,对于不同的问题,需要根据实际情况来选择合适的超参数,以达到最佳的优化效果。

“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