原因

梯度消失和梯度爆炸两种情况产生的原因可以总结成2类原因：1.深层网络的结构；2.不合适的损失函数，比如Sigmoid函数。梯度爆炸一般出现在深层网络和权值初始化值太大的情况下。

解决方案

1.预训练和微调

预训练：无监督逐层训练，每次训练一层隐藏点，训练时将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入。称为逐层预训练。在预训练完成后还要对整个网络进行微调。

2.relu、leakyrelu、Relu等激活函数

具体介绍可参看我的另外一篇文章详解激活函数

3.Batch Normalization(批规范化)

因为在反向传播的时候，需要计算梯度，那么不可避免带有权重 W，而BN的作用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 W 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将输出从饱和区拉到了非饱和区(比如Sigmoid函数)。

4.残差结构

具体介绍可参看我的另外一篇文章ResNet知识点补充

5.梯度剪切、正则

剪切的方法有两种

• 按值截断：在第t次迭代时，梯度为 $g_t$ ，给定一个区间[a,b]，如果一个参数的梯度小于a时，就将其设为a；如果大于b时，就将其设为b。
  
• 按模截断：将梯度的模截断到一个给定的截断阈值b。如果 $||g_t|{|}^2<=b$ ，保持 $g_t$ 不变。如果 $||g_t|{|}^2>b$ ，$||g_t||=b/||g_t||\ast g_t$ ，b为超参数，往往一个小的阈值可以达到很好的效果。在训练循环神经网络时，按模截断是避免题都爆炸问题的有效方法。

正则化的方法有比较常见的l1正则和l2正则，正则化是通过对网络权重做正则限制过拟合，仔细看正则项在损失函数的形式：

$\lambda$ 是正则项系数，如果发生梯度爆炸，权值的范数会变得非常大，通过正则化项，可以部分限制梯度爆炸的发生。

6.LSTM（长短期记忆网络）

在RNN网络结构中，由于使用Logistic或者Tanh函数，所以很容易导致梯度消失的问题，即在相隔很远的时刻时，前者对后者的影响几乎不存在了，LSTM的机制正是为了解决这种长期依赖问题。这个算法不多，只是知道可以解决。