1153.在循环神经网络(RNN)中,以下哪个问题容易导致梯度消失或梯度爆炸?

答案解析： 正确答案是：C 题目考查的是循环神经网络（RNN）中导致梯度消失或梯度爆炸问题的主要原因。 逐项分析选项： A：输入数据的维度过大 输入数据维度高可能增加模型复杂度和计算负担，但并不直接导致梯度消失或梯度爆炸。该因素更多影响模型训练效率或过拟合风险，而非梯度传播的根本问题。因此不是主要原因。 B：网络层数过多 虽然深层前馈网络中层数过多可能导致梯度消失或爆炸，但在RNN中，网络在时间维度上的展开才是关键。RNN本质上是按时间步展开的链式结构，其深度由序列长度决定，而不是传统意义上的“层”。因此，此处“网络层数”表述容易引起误解，实际影响梯度的是时间步的数量，而非静态的网络层数。故此项不准确。 C：时间序列过长 这是正确答案。RNN在处理长序列时，通过时间反向传播（Backpropagation Through Time, BPTT）进行梯度计算。当时间序列过长时，梯度需要在多个时间步上连续相乘传递。由于递归结构中的权重矩阵反复相乘，若其特征值小于1，梯度会指数级衰减（梯度消失）；若大于1，则会指数级增长（梯度爆炸）。因此，时间序列过长是导致RNN中梯度问题的根本原因。 D：激活函数选择不当 虽然激活函数的选择有一定影响，例如使用Sigmoid或tanh等饱和激活函数会加剧梯度消失（因其导数在两端趋近于0），但这只是加剧因素，而非根本机制。即使改进激活函数（如使用ReLU），在极长时间序列下仍可能出现梯度问题。相比之下，时间序列长度才是结构性原因。因此该项虽相关，但不是最本质的原因。 核心知识点讲解： 梯度消失与梯度爆炸是RNN训练中的经典问题，根源在于BPTT过程中链式法则导致的连乘效应。设RNN在每个时间步的隐藏状态为 h_t = σ(W h_{t-1} + U x_t)，则损失对初始隐藏状态的梯度涉及 ∂h_t / ∂h_{t-k} 的连乘形式，即多个雅可比矩阵的乘积。若这些矩阵的谱半径小于1，梯度随时间步数指数衰减；反之则爆炸。 因此，时间序列越长，这种连乘效应越显著，导致早期时间步的信息难以有效传递，表现为模型无法捕捉长期依赖。 总结： 本题正确答案应为 C：时间序列过长。 尽管D选项（激活函数选择不当）在一定程度上影响梯度稳定性，但梯度消失/爆炸的根本原因是RNN在长序列上传播梯度时的数学结构特性，即时间序列过长导致的连乘效应。因此，C 是最准确、最本质的答案。 原提供答案 D 错误，正确答案应为 C。