另一方面，出现梯度消失梯度的原因：在深层网络中，如果激活函数的导数小于1，则根据链求导规律，接近输入层的参数梯度与小于1的数相乘越来越小，最终接近0。 例如，sigmoid函数导数f'(x ) f'(x ) ) f'(x ) )的值域为(0)
因此，梯度消失的原因往往是网络层次过深和3358www.Sina.com/，如sigmoid函数。
梯度消失的表现：模型不从训练数据中更新，损失几乎没有变化。
二、出现梯度爆炸的原因：与梯度消失的原因一样，求出损耗函数参数的偏导数，梯度连续乘法总是遇到较大的绝对值，一些参数的梯度因乘以许多较大的数而变得非常大，模型无法收敛
因此，梯度爆炸的原因也是激活函数选择不当，或网络层次过深。
梯度爆炸表现： (1)模型不稳定，更新过程中损失变化明显。
)2)训练中，模型损失为NaN。
三、坡度消失爆炸的解决方法：重新设定网络结构，减少网络层数，调整学习率(消失增大、爆炸减少)。 预训练和微调该方法来自Hinton 2006年发表的论文，hint on提出采用无监督分层训练方法解决坡度问题。 其基本思想是每次训练一个层次的隐藏节点，训练时输入上一层隐藏节点的输出，这个过程是分层次的“预训练”(预训练结束后，对整个网络进行“精细调整”(fine-tunning )。 Hinton是训练深度信念网络(Deep Belief Networks )，采用该方法，每层预训练完成后，采用BP算法训练整个网络。 这一观点相当于首先寻找局部最优，然后综合起来寻找全局最优，这种方法有一定的好处，但目前很少得到应用。 激活函数采用relu、leaky relu、elu等。 batch normalization交换参数初始化方法(在CNN的情况下，一般使用xavier或msra的初始化方法)使用残差模块来调整深度神经网络的结构，使用DESNET模块或LSTM等结构(例如l2正则化)梯度爆炸避免)学习率降低，batch size降低)梯度爆炸避免)梯度限幅)对RNN，加入梯度限幅，每当梯度达到一定阈值时，将他们恢复为较小的数字。 扩展：为什么loss突然变成nan？ 可能的原因：
1、培训样本中出现脏数据或输入数据不规范化
2、学习速度过大，坡度值过大，发生坡度爆炸
3、一些涉及指数计算的，最后计算出的值是INF (无限)。 例如，不进行其他处理的softmax可能需要计算分子分母为exp ) x )，值过大，最后为INF/INF，从而得到NaN。 此时，与使用的softmax中为exp ) x )的计算相关的处理)进行最大值的减法运算等
4、不当损失函数(特别是自定义损失函数时)；
5、卷积层的卷积步长大于卷积核大小时。
现在的网络普遍采用ReLU激活函数，为什么还存在梯度爆炸和消失的问题呢？ 梯度消失和梯度爆炸存在于relu下，随着网络层数的加深，活动趋于变大变小，并趋于变大梯度爆炸。 (请记住，在计算坡度时，每次沿相反方向在层中传播时，都会乘以此层的活动，然后沿较小的方向进入死区，从而使坡度消失。) . 这两个问题的最大影响是深层网络难以转换。 BN和xavier初始化(这里指出应该用msra初始化。 这是贺凯明大神们对xavier的修正，实际上经常用xavier除以2 )在很大程度上解决了这个问题。 sigmoid中不存在梯度爆炸，活动度越大，向越小的方向移动时梯度消失。
由于ReLU的负侧坡度为0，因此(很少)坡度可能会消失。 在这种情况下，可以用PReLU代替。 如果使用PReLU，但坡度分散或爆炸，请直接进入BN，因为对调整初始化参数，自己调整参数不自信或懒惰。 sigmoid为什么会出现梯度消失现象，是因为sigmoid(x )在不同比例的x处的梯度变化太大。 另外，x的比例越大，坡度消失就越快，如果网络不更新，就无法再恢复。
权值初始化值太大
培训深度学习网络时，为什么会出现Nan？ 怎样才能避免呢？
坡度消失和坡度爆炸的原因、表现及解决办法
保持警惕！ 损耗是Nan或超大的原因
知乎(神经网络循环训练3000次后，交叉熵损失是nan的原因吗？
详细求解机器学习中的梯度消失、爆炸原因及其解决方法
坡度消失，坡度爆炸，表现出来
知乎(怎么理解梯度方差和梯度爆炸？
极速赛车五码稳赢技巧>
5、卷积层的卷积步长大于卷积核大小时。
现在的网络普遍采用ReLU激活函数，为什么还存在梯度爆炸和消失的问题呢？ 梯度消失和梯度爆炸存在于relu下，随着网络层数的加深，活动趋于变大变小，并趋于变大梯度爆炸。 (请记住，在计算坡度时，每次沿相反方向在层中传播时，都会乘以此层的活动，然后沿较小的方向进入死区，从而使坡度消失。) . 这两个问题的最大影响是深层网络难以转换。 BN和xavier初始化(这里指出应该用msra初始化。 这是贺凯明大神们对xavier的修正，实际上经常用xavier除以2 )在很大程度上解决了这个问题。 sigmoid中不存在梯度爆炸，活动度越大，向越小的方向移动时梯度消失。
由于ReLU的负侧坡度为0，因此(很少)坡度可能会消失。 在这种情况下，可以用PReLU代替。 如果使用PReLU，但坡度分散或爆炸，请直接进入BN，因为对调整初始化参数，自己调整参数不自信或懒惰。 sigmoid为什么会出现梯度消失现象，是因为sigmoid(x )在不同比例的x处的梯度变化太大。 另外，x的比例越大，坡度消失就越快，如果网络不更新，就无法再恢复。
权值初始化值太大
培训深度学习网络时，为什么会出现Nan？ 怎样才能避免呢？
坡度消失和坡度爆炸的原因、表现及解决办法
保持警惕！ 损耗是Nan或超大的原因
知乎(神经网络循环训练3000次后，交叉熵损失是nan的原因吗？
详细求解机器学习中的梯度消失、爆炸原因及其解决方法
坡度消失，坡度爆炸，表现出来
知乎(怎么理解梯度方差和梯度爆炸？