1700538802
百面机器学习：算法工程师带你去面试 [:1700532229]
1700538803
百面机器学习：算法工程师带你去面试 03 循环神经网络中的激活函数
1700538804
1700538805
1700538806
1700538807
场景描述
1700538808
1700538809
我们知道，在卷积神经网络等前馈神经网络中采用ReLU激活函数通常可以有效地改善梯度消失，取得更快的收敛速度和更好的收敛结果。那么在循环神经网络中可以使用ReLU作为每层神经元的激活函数吗？
1700538810
1700538811
知识点
1700538812
1700538813
ReLU，循环神经网络，激活函数
1700538814
1700538815
问题 在循环神经网络中能否使用ReLU作为激活函数？
1700538816
1700538817
难度：★★★☆☆
1700538818
1700538819
分析与解答
1700538820
1700538821
答案是肯定的，但是需要对矩阵的初值做一定限制，否则十分容易引发数值问题。为了解释这个问题，让我们回顾一下循环神经网络的前向传播公式
1700538822
1700538823
nett=Uxt+Wht−1
1700538824
1700538825
（10.9）
1700538826
1700538827
ht=f(nett)
1700538828
1700538829
（10.10）
1700538830
1700538831
根据前向传播公式向前传递一层，可以得到
1700538832
1700538833
1700538834
1700538835
1700538836
（10.11）
1700538837
1700538838
1700538839
如果采用ReLU替代公式中的激活函数f，并且假设ReLU函数一直处于激活区域（即输入大于0），则有f(x)=x,。继续将其展开，nett的表达式中最终包含t个W连乘。如果W不是单位矩阵（对角线上的元素为1，其余元素为0的矩阵），最终的结果将会趋于0或者无穷，引发严重的数值问题。那么为什么在卷积神经网络中不会出现这样的现象呢？这是因为在卷积神经网络中每一层的权重矩阵W是不同的，并且在初始化时它们是独立同分布的，因此可以相互抵消，在多层之后一般不会出现严重的数值问题。
1700538840
1700538841
再回到循环神经网络的梯度计算公式
1700538842
1700538843
1700538844
1700538845
1700538846
1700538847
．
1700538848
1700538849
（10.12）
1700538850
1700538851
