知识卡片
梯度消失与爆炸
深层网络反向传播沿路径连乘局部导数和权重相关项;乘积长期缩小会使早期层梯度很小,长期放大则可能导致更新不稳定或数值溢出。实际矩阵网络还取决于权重及数据,不能只依据激活函数导数判断。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 常见挑战及对策:一切为了泛化能力 · 查看原书依据
如果偏导数大于1,那么层数多的时候,梯度更新将以指数形式增加
参考来源
- 位置:《破解深度学习(基础篇)_模型算法与实现》第5章《常见挑战及对策:一切为了泛化能力》(来源项目 book-source:`extracted/破解深度学习(基础篇)_模型算法与实现/_epub-src/EPUB/xhtml/qz03_0008.xhtml`)
- 结论依据:原文及图示说明训练问题和策略;必要处补充条件,避免将示例结论绝对化。
- 原始内容:如果偏导数大于1,那么层数多的时候,梯度更新将以指数形式增加