吴恩达Deeplearning.ai 第五课 Sequence Model 第一周------Vanishing gradients with RNNs
这一节主要描述了RNN的梯度消失问题，解决方案就是后面的GRU和LSTM
如图，两句话，cat对应was和cats对应were，但是这两个单词相隔很远，这样就存在一个问题，cat的单复数可能影响不了后面be动词的单复数判断，在神经网络中，这和之前在DNN中所见到的类似，梯度消失。
也就是一个输出，只会受到附近的输入的影响。这里每个输入输入的就是一层神经网络
梯度爆炸：
同样，在RNN也会可能发生梯度爆炸的问题，不过这种情况相对梯度消失来说更为少见。
并且如果发生梯度爆炸，我们可以通过数据产生的NaN来进行判断，并通过gradient clipping来解决（rescaling gradient vector）
一种简单的处理方法是：对于梯度矩阵中，如果某个梯度值大于10（一个事先设定的值），则将该梯度设为10，如果某个梯度值小于-10，则将该梯度设为-10。如果在-10到10之间，则保持该值不变。