sigmoid梯度消失现象解释
解释：
大部分情况下初始化W参数时，基本都是小于 1 的，二 sigmoid函数的导函数如图所示，求导的最大值为0.25，神经网络结构中每一层都有**函数，这样在反向传播求导时，每一层都会乘以一个sigmoid的导函数值，最大为0.25，当神经网络层数太多时，也就是乘以多个0.25时，值就会特别的小，就会出现梯度消失的现象。
解释：
大部分情况下初始化W参数时，基本都是小于 1 的，二 sigmoid函数的导函数如图所示，求导的最大值为0.25，神经网络结构中每一层都有**函数，这样在反向传播求导时，每一层都会乘以一个sigmoid的导函数值，最大为0.25，当神经网络层数太多时，也就是乘以多个0.25时，值就会特别的小，就会出现梯度消失的现象。