zoukankan      html  css  js  c++  java
  • Backpropagation Through Time (BPTT) 梯度消失与梯度爆炸

    Backpropagation Through Time (BPTT) 梯度消失与梯度爆炸

    下面的图显示的是RNN的结果以及数据前向流动方向
    rnn

    假设有

    [egin{split} h_t &= anh Wegin{pmatrix}x_t \ h_{t-1}end{pmatrix}\ y_t &= F(h_t)\ C_t &= L(y_t, hat{y}_t) end{split} ]

    那么在反向传播时,假设我们要求的是

    [egin{split} dfrac{partial C_t}{partial h_1} &= dfrac{partial C_t}{partial y_t}dfrac{partial y_t}{partial h_1 }\ &= dfrac{partial C_t}{partial y_t}dfrac{partial y_t}{partial h_t }dfrac{partial h_t}{partial h_{t-1} }cdotsdfrac{partial h_2}{partial h_{1} } end{split} ]

    根据链式法则,其中包含了多个因子的连乘,这就是梯度爆炸和梯度消失的万恶之源。解决这种问题的通用手段就是使用skip connection,让梯度能够穿越一些时间步,直接前传。我们不难发现在LSTM 和GRU中都存在着这样的链接,具体的,在LSTM中,有

    [c_t = f_todot c_{t-1} + i_todothat{c}_{t} ]

    在GRU中有

    [h_t = uodot h_{t-1} + (1 - u)odot c_t ]

  • 相关阅读:
    MySQL >>> 存储引擎
    MySQL >>> 基本操作语句
    MySQL >>> 使用安装
    协程 *单线程实现并发
    进程池 & 线程池
    线程 *知识点扩充
    进程 & 线程
    DRF单表序列化
    DRF
    接口规范
  • 原文地址:https://www.cnblogs.com/crackpotisback/p/9956808.html
Copyright © 2011-2022 走看看