梯度消失和梯度爆炸，简单来说，就是因为激活函数sigmoid导致的，输入值过大或过小导致sigmoid函数趋于0和1，对应的求导趋近于0，而且sigmoid的导数在（0,1/4）之间，这就导致如果初始化W为0-1之间的比较小的值，通过过多的层数之后，梯度下降的时候，慢慢就会出现梯度消失。如果W初始化为较大的值，通过多层之后，梯度下降会导致梯度越来越大，产生爆炸。

RNN梯度消失和梯度爆炸和这个也比较类似，不同的是RNN是时序模型，输入文本过长会有这个原因。详见这里： RNN梯度消失和爆炸的原因

当然这个问题不只是用sigmoid的时候会有，tanh激活函数也有这个问题，具体可以参考激活函数篇：常见激活函数总结

下面说下解决办法：

1. 预训练加微调
2. 梯度剪切、权重正则（针对梯度爆炸）
3. 使用不同的激活函数（非饱和的激活函数，如ReLU、Leaky-ReLU、P-ReLU、R-ReLU、Maxout等）
4.  使用batchnorm
5. 使用残差结构
6.  使用LSTM网络
7. 梯度截断（Gradient Clipping）
8. 更快的优化器
9. 好的参数初始化方式，如He初始化

 

参考链接：

https://blog.csdn.net/junjun150013652/article/details/81274958
https://www.cnblogs.com/XDU-Lakers/p/10553239.html
https://blog.csdn.net/qq_25737169/article/details/78847691
https://zhuanlan.zhihu.com/p/33006526
https://zhuanlan.zhihu.com/p/28687529
https://www.pianshen.com/article/244666978/