梯度消失问题：

       最近碰到这样一个问题：为什么ReLU函数作为激活函数不会有梯度消失问题，明明当x<=0时函数的梯度为0，当他往回传的时候与前面梯度相乘，不就全部为0了吗，而sigmoid激活函数虽然x很远时梯度特别特别小，但是至少还是有值的啊。sigmoid函数有梯度消失，而ReLU函数竟然没有梯度消失，真是太奇怪了。

       原因请看下图：

假设最后一层relu层是输出，误差error取（y*-y）的平方。当这层某个神经元的relu的输入小于等于0时，梯度为0，x2*w2+b的误差为此时的梯度乘以这个神经元的输出的error，也就是为0了。当这层某个神经元的relu的输入大于0时，梯度为1，x2*w2+b的误差为它的梯度1乘以这个神经元的error，等于error。找到了后面一层relu函数的输入的误差之后，再来寻找前面一层relu函数的输出的误差，也就是x2的误差，因为是找x2的误差所以用x2*w2+b对x2求偏导，得到w2，这个w2就是梯度，也是斜率，用它乘以后面传来的误差就是x2的误差（相当于在坐标系中斜率乘deltx得到delty，这里的deltx就相当于后面传来的error，这里也可以将error看成是权重，error大的，往前传的时候使前面w改变大），用矩阵的形式表示就如上图的Delt(X2)，而当用sigmoid函数时就如下面的那个式子一样，W2是一个矩阵，它乘以向量里面是做加法，而不是想象的0乘以所有的梯度都为0，这个时候relu函数的优势就出来了，假设取随机的一半为0一半为1，Delt(X2)还是有较大更新；而对于sigmoid函数，W2要与后面每个很小的数相乘，所以累加后还是很小，Delt(X2)更新较小。当网络层数特别深的时候relu的优势就是巨大的。当层数很浅的时候还是sigmoid函数的性能比较好，因为它毕竟有非常好的非线性能力（比relu函数强太多了），抵消了它的梯度消失问题，而且层数浅时梯度消失问题也不是很严重。得到x2的误差之后可以求前面一层relu函数的输入也就是x1*w1+b1的误差，这个误差的求法是跟前面一层一样，当x1*w1+b1小于等于0时，梯度为0，乘以delt（x2）为0，当神经元 的输入大于0时，x1*w1+b1的误差为delt（x2），有了x1*w1+b1的误差又能求x1的误差就是w1乘以delt（x2）或者0，就这样误差一步一步向前传递。再更新w时就要求w的误差，同样就是用x*w+b对w偏导就是x，用x乘以后面面的误差（也是类似于斜率乘以deltx得到y的变化量，这里的误差就是deltx，就是类似误差带来的权重）得到deltw，就是这层w需要变化的量。