消失的问题就是这种感觉，网络不知道该如何继续改进。
而梯度爆炸又是另外的一个极端。
假设这次你站在一座非常陡的悬崖边，一不小心就滚下去了！
因为坡度太陡了，你的速度变得非常快，失控了。
在神经网络中，这种情况也被称为“梯度爆炸”
当梯度太大时，参数的调整会变得过于剧烈，网络的学习变得不稳定，甚至会导致训练失败。
这就像你在陡峭的悬崖边滑落，一下子失去了控制。
网络的参数变化过大，导致结果变得很不稳定，甚至完全错误。
概括地说：
梯度消失就像在一座越来越平的山坡上，梯度变得很小，神经网络不知道该怎么调整，进而学习变得很慢，甚至无法进步。
梯度爆炸就像从悬崖边滚下去，梯度变得很大，网络的学习变得过于剧烈，结果会非常不稳定，训练过程变得不可控。
这两个问题经常会出现在深层神经网络中。
而这也是马库斯所要倾诉的困扰。
“说起来，最近的研究还卡在了‘梯度消失’的问题上。”马库斯苦笑着说道，靠在沙发上，“我们在训练一些更深层次的神经网络时，发现模型一旦超过一定的深度，反向传播算法中的梯度会逐渐趋近于零，根本无法有效更新权重。深度越大，梯度就越容易消失，整个网络的学习效率大幅下降。”
马库斯知道林枫硕士是麻省理工学院的计算机硕士，因此也就全都用专业术语表述了。
对于这些林枫当然能听明白，非但能听明白，而且作为一个资深的人工智能从业人员。
林枫也清楚知道马库斯面临的难题。
林枫对ai的发展也有所了解，涉及到梯度问题在2014年是深度学习研究中的一个巨大挑战。
甚至可以说解决不了梯度问题就很难有真正的深度学习，也就不会有后来的人工智能成果的一系列井喷。
林枫心说，自己这是一不小心站在了技术发展的最前沿了吗？
不得不说，这种举手投足之间就能影响时代命运的感觉是真的无比美妙。
“梯度消失的问题一直存在，