深層学習応用

ニューラルネットワークの訓練中、勾配消失問題(Vanishing Gradient Problem)が発生した場合、以下のうちどの現象が最も可能性が高いか?

A.初期層の重みが頻繁に大幅に更新され、モデルが不安定になる
✗ これは勾配爆発(Exploding Gradient)の説明であり、勾配消失とは逆の現象である。
B.ネットワークの深い層における重みの更新が非常に小さくなり、訓練が停滞する← 正解
✓ 正解です。逆伝播により層を遡るたびに勾配が乗算されるため、ReLU以前の活性化関数では勾配がゼロに近づき、深い層の学習が停滞します。
C.出力層の勾配が爆発的に増加し、損失関数の値が無限大に発散する
✗ 勾配消失問題では勾配が小さくなるため、損失が無限大に発散することはない。これは勾配爆発の特徴である。
D.隠れ層のニューロンが過剰に活性化し、メモリ使用量が急増する
✗ 勾配消失問題の主症状はメモリ増加ではなく、深い層の学習が進まないことである。

この問題のポイント

逆伝播により層を遡るたびに勾配が乗算されるため、ReLU以前の活性化関数では勾配がゼロに近づき、深い層の学習が停滞します。

AI-900:Microsoft Azure AI Fundamentals の問題一覧