梯度爆炸与消失

梯度爆炸和梯度消失

一、概念解析

（一）梯度爆炸

1. 定义
   • 在深度神经网络训练的反向传播过程中，梯度爆炸是指梯度的值过大的现象。这会使模型的参数更新出现异常。
2. 产生原因
   • 深层网络与链式法则：深度神经网络按链式法则计算某层权重的梯度时，要把从输出层到该层的所有梯度连乘。如果每层的梯度都比较大，经过多层相乘后，梯度就会变得极大。就像一个多层的传递过程，每一步都放大一点，到最后就会变得非常大。
   • 权重初始化不当：如果神经网络的权重一开始就设置得太大，每层激活函数的输出值也会很大。这样在反向传播计算梯度时，就容易出现梯度爆炸。比如，激活函数输出过大，即使它的导数可能很小，但由于前面输出值变化大，梯度还是可能爆炸。

（二）梯度消失

1. 定义
   • 梯度消失是反向传播时梯度的值过小，小到几乎不能有效更新网络权重的情况。
2. 产生原因
   • 激活函数选择不当：有些激活函数，像sigmoid函数，它的导数在某些范围很小。当网络层数很多时，多层激活函数的导数相乘，梯度就会越来越小，最后趋近于0。
   • 深层网络与梯度传递：和梯度爆炸类似，在深层网络里，根据链式法则计算梯度要连乘多层局部梯度。要是每层局部梯度都小于1，经过多层相乘后，梯度就会很快趋近于0。

二、危害

（一）对模型训练的影响

1. 梯度爆炸的危害
   • 权重更新失控：梯度爆炸会让权重更新的幅度太大，使模型参数在训练时很不稳定。比如在更新权重时，可能一下子把权重变成一个特别大的值，导致模型输出不正常，甚至让模型没办法收敛。
   • 无法收敛：模型可能找不到最优解，因为太大的梯度会让优化算法跳过损失函数的最小值区域，训练过程就会出问题，损失函数也不能收敛到一个比较小的值。
2. 梯度消失的危害
   • 权重更新缓慢：梯度消失会让权重更新变得超级慢。因为梯度接近0时，按照权重更新公式，权重几乎不会改变。
   • 训练停滞：在深层神经网络里，这种情况更明显。底层的网络层因为梯度消失很难学到有用的特征表示，模型就没办法好好训练，也不能很好地拟合数据。

三、预防措施

（一）梯度裁剪

1. 原理
   • 梯度裁剪是防止梯度爆炸的好方法。简单来说，就是设定一个梯度的最大值。当计算出来的梯度超过这个最大值时，就把梯度调整到这个最大值。这样就可以避免梯度过大。
2. 示例
   • 假设我们在训练过程中得到了一个很大的梯度，我们就把它限制在一个我们能接受的范围。就像给一个可能会跑太远的东西设置一个围栏，不让它超出我们设定的界限。

（二）合适的权重初始化

1. 方法
   • Xavier初始化：对于线性层，Xavier初始化可以缓解梯度问题。它是根据输入和输出神经元的数量来初始化权重的，目的是让每层输入和输出的方差尽量一样。这样可以避免因为权重初始化不当导致的梯度问题。
   • He初始化：在使用ReLU等激活函数时，He初始化更好。它是按照ReLU激活函数的特点来初始化权重的，能够帮助模型更好地训练，减少梯度问题。

（三）选择合适的激活函数

1. ReLU及其变体
   • ReLU（Rectified Linear Unit）：ReLU函数在大于0的时候是线性的，计算简单，而且在一定程度上能避免梯度消失。它在大于0的部分梯度是1，这样就不会出现像sigmoid函数那样因为导数过小导致的梯度消失问题。
   • Leaky ReLU：Leaky ReLU是在ReLU的基础上改进的。当输入小于0时，它不是直接输出0，而是输出一个比较小的倍数的输入。这样就解决了ReLU在输入小于0时梯度为0的问题，能更好地缓解梯度消失。
   • PReLU（Parametric ReLU）：PReLU和Leaky ReLU很像，但是它的系数是可以在训练过程中学习的。这样它就能根据数据和模型的情况自己调整，更好地适应避免梯度消失的需求。

（四）残差网络

1. 结构特点
   • 残差网络有一个很特别的结构，叫残差连接。在这个网络里，每一层的输出不是直接给下一层，而是和下一层的输入相加之后再给下一层。
2. 工作原理
   • 这种结构让梯度在反向传播时有更直接的路可以走。就算网络很深，梯度也能比较好地传播。因为有了这个直接的连接，梯度不需要经过很多复杂的层的乘积，就可以避免梯度消失。