기울기 소실: 두 판 사이의 차이
IT위키
(새 문서: == 기울기 소실(Gradient Vanishing)과 폭주(Exploding) == 역전파 과정에서 입력층으로 갈 수록 기울기(Gradient)가 점차적으로 작져 입력층에 가까운...) |
편집 요약 없음 |
||
| 1번째 줄: | 1번째 줄: | ||
== 기울기 | [[분류:인공지능]] | ||
;Gradient Vanishing | |||
== 기울기 소실과 폭주(Exploding) == | |||
역전파 과정에서 입력층으로 갈 수록 기울기(Gradient)가 점차적으로 작져 입력층에 가까운 층들에서 가중치들이 업데이트가 제대로 되지 않는 현상 | 역전파 과정에서 입력층으로 갈 수록 기울기(Gradient)가 점차적으로 작져 입력층에 가까운 층들에서 가중치들이 업데이트가 제대로 되지 않는 현상 | ||
반대로 [[RNN]]에서 기울기가 점차 커지더니 가중치들이 비정상적으로 큰 값이 되면서 결국 발산하는기울기 폭주(Gradient Exploding)도 존재 | 반대로 [[RNN]]에서 기울기가 점차 커지더니 가중치들이 비정상적으로 큰 값이 되면서 결국 발산하는기울기 폭주(Gradient Exploding)도 존재 | ||
== 기울기 소실 | == 기울기 소실 해결방안 == | ||
# [[ReLU]]와 ReLU의 변형(Leaky ReLU 등)을 은닉층의 Activation 함수로 사용 | # [[ReLU]]와 ReLU의 변형(Leaky ReLU 등)을 은닉층의 Activation 함수로 사용 | ||
| 12번째 줄: | 15번째 줄: | ||
# 층 정규화(Layer Normalization) : 배치정규화는 Feature별로 층정규화는 Layer별로 | # 층 정규화(Layer Normalization) : 배치정규화는 Feature별로 층정규화는 Layer별로 | ||
== 참고 문헌 == | |||
* [https://wikidocs.net/61375 위키독스] | |||
2021년 2월 26일 (금) 21:22 기준 최신판
- Gradient Vanishing
기울기 소실과 폭주(Exploding)[편집 | 원본 편집]
역전파 과정에서 입력층으로 갈 수록 기울기(Gradient)가 점차적으로 작져 입력층에 가까운 층들에서 가중치들이 업데이트가 제대로 되지 않는 현상 반대로 RNN에서 기울기가 점차 커지더니 가중치들이 비정상적으로 큰 값이 되면서 결국 발산하는기울기 폭주(Gradient Exploding)도 존재
기울기 소실 해결방안[편집 | 원본 편집]
- ReLU와 ReLU의 변형(Leaky ReLU 등)을 은닉층의 Activation 함수로 사용
- 그래디언트 클리핑(Gradient Clipping) : 기울기 폭주를 막기 위해 임계값을 넘지 않도록 기울기 값을 자름
- 가중치 초기화(Weight initialization) : 가중치 초기값을 적절히 조정
- 배치 정규화(Batch Normalization) : 인공 신경망의 각 층에 들어가는 입력을 평균과 분산으로 정규화
- 층 정규화(Layer Normalization) : 배치정규화는 Feature별로 층정규화는 Layer별로
