一、梯度消失现象
当神经网络的输入值较大或较小时，其导数（梯度）都会接近于0。在反向传播过程中，这些微小的梯度经过多层网络逐层传递时，会不断被乘以权重矩阵（权重通常小于1），进一步导致梯度值缩小，直至几乎消失。这种现象称为“梯度消失”，它会使深度神经网络的学习过程变得极其缓慢，甚至无法有效训练深层网络。
二、Sigmoid激活函数
Sigmoid函数的公式为。其输出范围是（0,1）形状呈“S”型，两端趋于平缓，中间部分斜率较大。当输入值x非常大或者非常小的时候，Sigmoid函数的导数接近于0。
- 当x → -∞时，σ(x) → 0，σ'(x) → 0
- 当x → ∞时，σ(x) → 1，σ'(x) → 0
导致这一现象的原因在于Sigmoid函数的导数表达式为。当
非常接近0或者1时，
会迅速接近0，即梯度几乎消失。
三、Tanh激活函数
Tanh函数的公式为。取值在-1到1之间，图像形状类似拉伸的“S”形和Sigmoid函数很类似，其实Tanh函数相当于Sigmoid函数的平移
- 当x → -∞时，tanh(x) → -1，tanh'(x) → 0
- 当x → ∞时，tanh(x) → 1，tanh'(x) → 0
当输入值x的绝对值很大时，函数值也趋向于饱和（-1或1）。它的导数是，当tanh(x)非常接近-1或1时，tanh'(x)会迅速趋近于0，即梯度几乎消失。
