原因

• 梯度消失 （Vanishing Gradients）
  在梯度下降中， 随着算法反向的反馈， 梯度会越来越小，最终没有变化，此时并没有收敛到比好的解，这就是梯度消失的问题。
• 梯度爆炸
  梯度爆炸原理跟梯度消失一样，反向传播时，导数大于1，导致梯度增加。

解决方法

• 激活函数

更换激活函数
ELU > leaky ReLU > ReLU > tanh > logistic

• 添加BN层
  Batch Normalization的作用
  （1）允许较大的学习率
  （2）减弱对初始化的强依赖性
  （3）保持隐藏层中数值的均值、方差不变，让数值更稳定，为后面网络提供坚实的基础
  （4）有轻微的正则化作用（相当于给隐藏层加入噪声，类似Dropout）

• ResNet残差网络
  https://www.jianshu.com/p/ebc3e242147e

• LSTM结构

• 梯度裁剪
  主要针对梯度爆炸问题，设置一个阈值，当梯度查过这个阈值之后将它限制在这个范围之内

• 权重正则化，L1和L2正则化
  L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择，一定程度上，L1也可以防止过拟合
  L2正则化可以防止模型过拟合（overfitting）