一、梯度消失
梯度消失出现的原因：
在深层网络中，如果激活函数的导数小于1，根据链式求导法则，靠近输入层的参数的梯度因为乘了很多的小于1的数而越来越小，最终就会趋近于0，例如sigmoid函数，其导数f′(x)=f(x)(1−f(x))的值域为（0，1/4），极易发生这种情况。
所以梯度消失出现的原因经常是因为网络层次过深，以及激活函数选择不当，比如sigmoid函数。
梯度消失的表现：
模型无法从训练数据中获得更新，损失几乎保持不变。
二、梯度爆炸
梯度爆炸出现的原因：
同梯度消失的原因一样，求解损失函数对参数的偏导数时，在梯度的连续乘法中总是遇上很大的绝对值，部分参数的梯度因为乘了很多较大的数而变得非常大，导致模型无法收敛。
所以梯度爆炸出现的原因也是网络层次过深，或者权值初始化值太大。
梯度爆炸的表现：
（1）模型型不稳定，更新过程中的损失出现显著变化。
（2）训练过程中，模型损失变成 NaN。
三、梯度消失爆炸的解决方法：
- 重新设置网络结构，减少网络层数,调整学习率（消失增大，爆炸减小）。
- 预训练加微调
- 此方法来自Hinton在2006年发表的一篇论文，Hinton为了解决梯度的问题，提出采取无监督逐层训练方法，其基本思想是每次训练一层隐节点，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，此过程就是逐层“预训练”（pre-training）；在预训练完成后，再对整个网络进行“微调”（fine-tunning）。Hinton在训练深度信念网络（Deep Belief Networks中，使用了这个方法，在各层预训练完成后，再利用BP算法对整个网络进行训练。此思想相当于是先寻找局部最优，然后整合起来寻找全局最优，此方法有一定的好处，但是目前应用的不是很多了。
- 激活函数采用relu,leaky relu,elu等。
- batch normalization
- 更换参数初始化方法（对于CNN，一般用xavier或者msra的初始化方法）
- 调整深度神经网络的结构
- 使用残差模块，DESNET模块或LSTM等结构（避免梯度消失）
- l1、l2正则化（避免梯度爆炸）
- 减小学习率、减小batch size（避免梯度爆炸）
- 梯度裁剪（避免梯度爆炸）
- 对于RNN，加入gradient clipping，每当梯度达到一定的阈值，就把他们设置回一个小一些的数字；
扩展：
loss突然变nan的原因？
可能原因：
1、training sample中出现了脏数据，或输入数据未进行归一化
2、学习速率过大，梯度值过大，产生梯度爆炸；
3、在某些涉及指数计算，可能最后算得值为INF（无穷）（比如不做其他处理的softmax中分子分母需要计算exp（x），值过大，最后可能为INF/INF，得到NaN，此时你要确认你使用的softmax中在计算exp（x）做了相关处理（比如减去最大值等等））；
4、不当的损失函数（尤其是自定义的损失函数时）；
5、在卷积层的卷积步伐大于卷积核大小的时候。
参考网址：
训练深度学习网络时候，出现Nan是什么原因，怎么才能避免？
梯度消失和梯度爆炸原因，表现，解决方案
警惕！损失Loss为Nan或者超级大的原因
知乎：训练神经网络循环3000次后，交叉熵损失为nan原因？
详解机器学习中的梯度消失、爆炸原因及其解决方法
梯度消失，梯度爆炸及表现
