深度学习中梯度消失和梯度爆炸的根本原因及其缓解方法_什么是梯度消失

一、梯度消失和爆炸的根本原因

首先解释一下什么是梯度消失和梯度爆炸，
梯度消失：梯度趋近于零，网络权重无法更新或更新的很微小，网络训练再久也不会有效果；
梯度爆炸：梯度呈指数级增长，变的非常大，然后导致网络权重的大幅更新，使网络变得不稳定。

其实不管是梯度消失还是梯度爆炸本质上都是由于——深度神经网络的反向传播造成的。

可以通过两个角度去解释：一是在深层网络中，二是采用的激活函数导致的。

1. 深层网络角度

我们先来回顾一下神经网络反向传播的机理：

简单的三层神经网络

先看其中某一层的反算机制，上图中红色线的部分：

X表示本层的输入/上一层的输出，Y表示本层的输出

公式一

公式二

公式一表示：传到前一层的梯度大小，其值跟后一层传过来的梯度以及本层的权重W有关；
公式二表示：本层更新权重W时的梯度值，其值跟后一层传过来的梯度以及本层的输入X有关。
这两个概念很重要，从数学角度上解释了反向更新时的影响因子X和W。

深度学习本质就是通过学习不断更新权重，以找到合适的值使损失下降的最低以完美的匹配输入和输出。
更新权重公式表示如下：

其中：

对于处理复杂任务时，深度网络比浅层的网络具有更好的效果。而多层深度网络更新权重时的反向传播采用的是链式法则，简单的理解就是n个公式二连乘。
当 ∂Loss/∂w 部分大于1时，那么层数增多的时候，最终的求出的梯度更新将以指数形式增加，即发生梯度爆炸；
当 ∂Loss/∂w 部分小于1时，那么随着层数增多，求出的梯度更新信息将会以指数形式衰减，即发生了梯度消失。

接着我们加入激活函数，来看看在深度网络中会发生什么情况：
从上述的公式二可知，

更新权重的梯度不仅与本层的输入X有关还和下一层传过来的梯度有关。
通过网络结构可知，输入除了经过Affine (wx+b)层，还会经过激活函数，再传输到下一层。因此反向传播时，下一层传过来的梯度也会分别计算这两部分。

假设用sigmoid作为激活函数：

其导数图像为：

该导数在s′(0)=0.25时达到最高，
如果我们使用标准方法(均值为0标准差为1的高斯分布)来初始化网络中的权重，那么权重通常会满足|W| < 1，则W*S′(y) < 1/4。
当所有这些项的乘积时，最终结果肯定会指数级下降：项越多，乘积的下降也就越快。

假设现在有四层网络，我们想比较一下第一层网络的梯度和第三层的网络的梯度大小：

σ′(z)表示sigmoid的导数，z1-z4表示当前层的输出，w2-w4表示当前层的权重。

由上述公式可知，由于W*σ′(z) < 1/4的约束，因此∂C/∂b1要小于∂C/∂b3，即第一层网络的梯度要小于第三层的网络梯度。

一般情况中，梯度爆炸很少会发生（因为对输出会做归一化），大多会发生梯度消失，而越往前面传播，梯度就越小，因此靠近输入的前几层权重可能只会有很小的更新。

总结：从深层网络角度来讲，不同的层学习的速度差异很大，表现为网络中靠近输出的层学习的情况很好，靠近输入的层学习的很慢，有时甚至训练了很久，前几层的权值和刚开始随机初始化的值差不多。 因此，梯度消失、爆炸，其根本原因在于反向传播训练法则，属于先天不足。

2. 激活函数角度

上文中提到计算权值更新信息的时候需要计算前层偏导信息，因此如果激活函数选择不合适，比如使用sigmoid，tanh这种容易饱和的函数，梯度消失就会比较明显。
sigmoid作为损失函数，其梯度是不可能超过0.25的，这样经过链式求导之后，很容易发生梯度消失，在前文中已经解释过了。
现在我们来看一下tanh函数及其导数：

tanh数学表达为：

从图像中我们可以看出tanh比sigmoid的梯度值要高，不过值也是小于1的，两边也会出现饱和，也会引起梯度消失的现象。

二、梯度消失、爆炸的解决方案

1. 梯度剪切、正则

梯度剪切这个方案主要是针对梯度爆炸提出的，其思想是设置一个梯度剪切阈值，然后更新梯度的时候，如果梯度超过这个阈值，那么就将其强制限制在这个范围之内。这可以防止梯度爆炸。
权重正则化也是解决度爆炸的手段，比较常见的是L1正则，和L2正则，正则化是通过对网络权重做正则，防止w过大，限制过拟合，正则项在损失函数的形式为：

α为超参数，是正则项系数

通过公式一可知，W越大，传到上一层的梯度就越大，连乘之后，就容易发生梯度爆炸，因此，对W做正则化就是约束W的取值，可以部分限制梯度爆炸的发生。
除了对W做正则化，在初始权重的时候可以加上标准化，使W符合均值为0，标准差为1的高斯分布，也能限制部分梯度爆炸的发生。

2. 采用其他的激活函数

2.1 Relu

relu思想很简单，如果激活函数的导数为1，那么就不存在梯度消失爆炸的问题了，每层的网络都可以得到相同的更新速度，relu就这样应运而生。

relu的数学表达式

relu的函数图像及其导数 从上图中，我们可以很容易看出，relu函数的导数在正数部分是恒等于1的，因此在深层网络中使用relu激活函数就不会导致梯度消失和爆炸的问题。

relu的主要贡献在于：

• 解决了梯度消失、爆炸的问题
• 计算方便，计算速度快
• 加速了网络的训练

缺点：

• 由于负数部分恒为0，会导致一些神经元无法激活（可通过设置小学习率部分解决）
• 输出不是以0为中心的

2.2 LeakRelu

LeakRelu就是为了解决Relu的0区间带来的影响，其数学表达为：$LeakRelu=max(k\ast x,x)$

其中k是leak系数，一般选择0.01或者0.02，或者通过学习而来。

LeakRelu的函数图像

3. BatchNorm

BatchNorm具有加速网络收敛速度，提升训练稳定性的效果,本质上是解决反向传播过程中的梯度问题。BatchNorm全名是batch normalization，简称BN，即批归一化，通过规范化操作将输出信号X归一化保证网络的稳定性。
根据公式二可知，

更新权重的梯度和上一层的输出X有关，如果输出过大或过小，就会导致产生梯度爆炸和梯度消失，BatchNorm就是通过对每一层的输出规范为均值和方差一致的方法，消除了X带来的放大缩小的影响，进而解决梯度消失和爆炸的问题，或者可以理解为BN将输出从饱和区拉倒了非饱和区。

关于BN更加详细的解释可以看这篇文章：
https://www.jianshu.com/p/b4d186cca6be

4. 残差结构

残差学习单元

残差中有很多这样的跨层连接结构，其实就是在前向传播的过程中，输出端的值加上输入X再传到下一层网络结构中，这样的结构在反向传播中具有很大的好处。
因为旁边的分支结构是直接传递过来的，没有带权重，因此反向传播时该分支的梯度始终为1，这样即使主干梯度值很小，加上分支的梯度再传给上一层网络时，梯度也不会很小，从而很大程度上缓解了梯度消失。
所以利用残差结构，可以轻松的构建几百层网络结构，而不用担心梯度消失过快的问题。

参考文章：
https://blog.csdn.net/qq_25737169/article/details/78847691