残差连接缓解梯度消失的含义；残差连接的真正含义：F(x) = y - x ；y=F(x)+x
残差连接缓解梯度消失的含义
目录
- 残差连接缓解梯度消失的含义
- 举例说明
- 残差连接的真正含义：F(x) = y - x ；y=F(x)+x
在深度学习中，梯度消失是指在深层神经网络反向传播过程中，梯度在经过多层传递后变得极小，趋近于零 ，导致前面层的参数难以更新，模型难以训练。
残差连接是在神经网络中添加的一种“跳跃连接”（skip connection） ，允许梯度在反向传播时不经过某些层的复杂计算，直接传递到更前面的层，从而缓解梯度消失问题。
举例说明
假设我们有一个10层的神经网络来识别手写数字，每一层都对输入进行一些线性变换和激活函数处理。在反向传播时，梯度需要从第10层往第1层传递来更新参数。
在没有残差连接的普通神经网络中，梯度在每一层传递时都要乘以该层权重的导数。如果权重初始化得比较小，或者激活函数（如sigmoid函数 ）在某些区域导数很小，那么经过多层传递后，梯度就会不断变小。
比如，假设每一层梯度传递时都衰减为原来的0.5 ，那么经过10层后，梯度就会衰减到初始值的