RNN神经网络的梯度消失和梯度爆炸

时间序列的反向传播算法
得到：
$\frac{\partial h_t}{\partial h_s} = \frac{\partial h_t}{\partial h_{t-1}} \frac{\partial h_{t-1}}{\partial h_{t-2}} ... \frac{\partial h_{s+1}}{\partial h_{s}}$∂hs​∂ht​​=∂ht−1​∂ht​​∂ht−2​∂ht−1​​...∂hs​∂hs+1​​

注意到：
$h_t=Wf(h_{t-1})+Ux_t$ht​=Wf(ht−1​)+Uxt​

计算jacobian 矩阵
$\frac{\partial h_t}{\partial h_s} = \prod^t_{k=s+1}W^Tdiag[f^{'}(Wh_{k-1})]$∂hs​∂ht​​=∏k=s+1t​WTdiag[f′(Whk−1​)]

根据柯西-西瓦兹不等式
$\frac{\partial h_t}{\partial h_{t-1}} \leq ||W^T||||diag[f^{'}(Wh_{t-1})]|| \leq \sigma_{max} \gamma$∂ht−1​∂ht​​≤∣∣WT∣∣∣∣diag[f′(Wht−1​)]∣∣≤σmax​γ

$\sigma_{max}$σmax​是$W^T$WT矩阵的最大奇异值, $\gamma$γ是$||diag[f^{'}(Wh_{t-1})]||$∣∣diag[f′(Wht−1​)]∣∣上界， $\gamma$γ依赖**函数f， $|tanh(x)^{'}|\leq 1$∣tanh(x)′∣≤1, $\sigma(x)^{'} \leq \frac{1}{4}$σ(x)′≤41​
所以
$\frac{\partial h_t}{\partial h_s} = \frac{\partial h_t}{\partial h_{t-1}} \frac{\partial h_{t-1}}{\partial h_{t-2}} ... \frac{\partial h_{s+1}}{\partial h_{s}} \leq (\sigma_{max}\gamma)^{t-s}$∂hs​∂ht​​=∂ht−1​∂ht​​∂ht−2​∂ht−1​​...∂hs​∂hs+1​​≤(σmax​γ)t−s
由于参数共享$W$W，RNN存在梯度消失或者梯度爆炸。

解决办法：

梯度爆炸：

• 权重惩罚 Weight Penalty （不work）
  $||W||_2 \leq I$∣∣W∣∣2​≤I
  不足：
  （1）W约束比较小的范围内，建模不足
  （2）信息比较快的衰减（梯度消失）
  （3）没办法长时序的建模

• 梯度裁剪Gradient Clipping (work)

高曲率墙的存在造成了困难
虚线：当范数高于一个值的时候，梯度重新表定为固定的打小，引入了额外的裁剪。

其他的方法：
当W是正交矩阵的时候， $W^TW=I$WTW=I,
$(W^Tv)^T(W^Tv) = v^TWW^Tv = v^Tv$(WTv)T(WTv)=vTWWTv=vTv
初始化的时候W可以是正交的矩阵，但是训练的时候W会发生变化，无法保证是正交矩阵。