机器学习总结(九):梯度消失(vanishing gradient)与梯度爆炸(exploding gradient)问题
来源:互联网 发布:c语言绚丽表白代码照片 编辑:程序博客网 时间:2024/06/05 17:10
(1)梯度不稳定问题:
什么是梯度不稳定问题:深度神经网络中的梯度不稳定性,前面层中的梯度或会消失,或会爆炸。
原因:前面层上的梯度是来自于后面层上梯度的乘乘积。当存在过多的层次时,就出现了内在本质上的不稳定场景,如梯度消失和梯度爆炸。
(2)梯度消失(vanishing gradient problem):
原因:例如三个隐层、单神经元网络:
则可以得到:
然而,sigmoid方程的导数曲线为:
可以看到,sigmoid导数的最大值为1/4,通常abs(w)<1,则:
前面的层比后面的层梯度变化更小,故变化更慢,从而引起了梯度消失问题。
(3)梯度爆炸(exploding gradient problem):
当权值过大,前面层比后面层梯度变化更快,会引起梯度爆炸问题。
(4)sigmoid时,消失和爆炸哪个更易发生?
量化分析梯度爆炸出现时a的树枝范围:因为sigmoid导数最大为1/4,故只有当abs(w)>4时才可能出现
由此计算出a的数值变化范围很小,仅仅在此窄范围内会出现梯度爆炸问题。而最普遍发生的是梯度消失问题。
(5)如何解决梯度消失和梯度爆炸?
使用ReLU,maxout等替代sigmoid。(具体细节请看博主之前神经网络激活函数部分)
区别:(1)sigmoid函数值在[0,1],ReLU函数值在[0,+无穷],所以sigmoid函数可以描述概率,ReLU适合用来描述实数;(2)sigmoid函数的梯度随着x的增大或减小和消失,而ReLU不会。
3 0
- 机器学习总结(九):梯度消失(vanishing gradient)与梯度爆炸(exploding gradient)问题
- 梯度消失(vanishing gradient)和梯度爆炸(exploding gradient)
- 机器学习总结(二):梯度消失和梯度爆炸
- [机器学习] ML重要概念:梯度(Gradient)与梯度下降法(Gradient Descent)
- (转载) [机器学习] ML重要概念:梯度(Gradient)与梯度下降法(Gradient Descent)
- 深度学习--采用ReLU解决消失的梯度问题(vanishing gradient problem)
- 梯度(Gradient)与梯度下降法(Gradient Descent)
- 梯度(Gradient)与梯度下降法(Gradient Descent)
- 第一周-机器学习-梯度下降(gradient descent)
- 机器学习(一)回归(regression)、梯度下降(gradient descent)
- 机器学习笔记2--梯度下降(Gradient decent)
- 梯度下降(gradient descent)
- 梯度下降(Gradient descent)
- 梯度下降(Gradient Descent)
- 梯度下降(Gradient Descent)
- 梯度下降(gradient descent)
- 梯度下降(Gradient Descent)
- 梯度下降(Gradient Descent)
- 利用jdom创建xml文件示例
- Mysql海量数据存储和解决方案之一—分布式DB方案
- socket的一些方法
- Toolbar的使用整理笔记
- orbslam2-基础理论(二)
- 机器学习总结(九):梯度消失(vanishing gradient)与梯度爆炸(exploding gradient)问题
- Java数组内存分析
- angularjs加法计算
- java.lang.OutOfMemoryError: Java heap space错误及处理办法(收集整理、转)
- 置换元素与非置换元素
- idea 热部署 jrebel 详细配置
- 分布式助手Zookeeper(三)
- 关于解决多个listView嵌套到scrollview中滑动冲突的办法
- 配置hosts文件后域名没有重定向