印象中一般都是说sigmoid会在两端梯度消失，dying relu这个该怎么理解？
1个回答
假设一个神经元(neuron)是$Relu(wx+b)$。因为一般用mini batch（SGD）优化算法，每次计算gradient只用一组（batch）数据点。假如用一组数据点更新$w,b$后，其余数据点$wx+b<0$，那么只会有一组点能通过这个neuron并更新它的参数，对于绝大多数点来说，不能通过这个neuron，也不能更新参数，相当于“死掉”。如果dying relu 很多，对于大多数数据来说神经网络大部分通路断掉，学习能力就变弱了。
解决办法是用leakyRelu等；bias的初始值设为正数，比如1；减小learning rate。
SofaSofa数据科学社区DS面试题库 DS面经
Zealing
2019-04-02 16:01
相关主题
softmin是什么激活函数？
3回答
多项式网络(polynomial networks)的结构和激活函数？
0回答
激活函数leakyRELU和pRELU的区别是什么？
2回答
elu激活函数是什么？
1回答
LeakyReLu是什么意思？
1回答
怎么理解神经网络中的激活函数hard sigmoid？
1回答
sigmoid, tanh, arctan这几个激活函数为什么长这么像？
1回答
激活函数multi-sigmoid和softmax有什么区别？
0回答
环境激活报错求解
0回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！