2016.3.30 为什么神经网络训练很难?

本文探讨了深度神经网络在训练过程中遇到的主要挑战,包括梯度消失和梯度爆炸问题。这些问题源于反向传播过程中sigmoid函数导数及权重矩阵的影响。文章还提到了通过选择更合适的激活函数来缓解这些挑战的方法。

为什么神经网络训练很难?

深度神经网络本身不太稳定,这是因为在反向传播的过程当中,每一步都要经过一个sigmoid’,还有一个w的乘法。容易导致梯度扩散或者是梯度爆炸的问题。而这都是由于这两个参数导致的。对于sigmoid’来说,最大的也不过是1/4所以在这一部分的时候梯度会逐渐减小,而且是逐层指数的减小。如果w也不大的话,那么在训练的过程中,前面几层的训练量明显不够。对于w来说,如果w太大,那么就使得训练的误差在逐层反向传播的时候逐渐增大,也就会导致最后的梯度爆炸。所以这个网络是在是太不稳定了。很容易就出现训练上的问题。

还有就是在训练过程中,开始的训练可能就会导致后面几层的z非常大,sigmoid’(z)就非常小了。为了解决这个问题,我们要采用一些机智的激活函数。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值