梯度消失和梯度爆炸不会导致下面哪种情况？
A: 梯度消失会导致网络训练变慢
B: 梯度消失使网络性能不佳，分类准确度低
C: 梯度爆炸使网络训练时代价函数震荡，不利于收敛
D: 梯度爆炸会加快网络训练，更易达到最优解
A: 梯度消失会导致网络训练变慢
B: 梯度消失使网络性能不佳，分类准确度低
C: 梯度爆炸使网络训练时代价函数震荡，不利于收敛
D: 梯度爆炸会加快网络训练，更易达到最优解
举一反三
- 下面哪些情况可能导致神经网络训练失败 A: 梯度消失 B: 梯度爆炸 C: 激活单元死亡 D: 鞍点
- 下面哪些是Batch normalization的作用？ A: 增加训练时间 B: 可以使用更大的学习率，加快深层网络训练 C: 减少梯度消失和梯度爆炸 D: 使深层网络对隐层参数初始化不敏感
- 下面有关神经网络梯度消失说法错误的是（） A: 当神经网络的隐层增加时，就容易发生梯度消失问题，表现在靠近输入层的权重难以更新。 B: 网络梯度消失可能导致有些权重难以更新，导致网路训练失败。 C: 网络梯度消失可以通过改变隐层和输出层的神经元激活函数减弱。 D: 网络梯度消失可以通过减少隐层神经元的个数减弱。
- 神经网络训练容易遇到的问题，不包括 A: 误差反向传播 B: 鞍点问题 C: 梯度消失 D: 梯度爆炸
- RNN 存在梯度消失问题，没有梯度爆炸问题