【基礎から理解しよう】勾配消失問題と活性化関数を分かりやすく解説

今回はディープラーニングにおいて有名な勾配消失問題とその対策となる活性化関数をまとめて取り上げていきたいと思います。

勾配消失問題

ニューラルネットワークの層が深くなると、誤差逆伝搬による学習が進まなくなる現象

誤差逆伝搬の概要は【流れを理解しよう】ニューラルネットワークの学習の仕組みをシンプルに解説で述べたた通りですが、ニューラルネットワークの層数が増えると、この仕組みがうまく機能しなくなるということです。

ニューラルネットワークの学習が進まないということは、どんなに頑張っても期待した出力を得られないことになってしまうので大問題ですね。

この問題は活性化関数とも大いに関係しているので、今回はその大問題の仕組みと対策を活性化関数の観点からできるだけ分かりやすく説明してみようと思います。

もし勾配や誤差逆伝搬などを忘れてしまった・分からないという方は是非↓の記事を読んでから本記事を読み進めてみて下さい。

講師への質問OK! 16時間で学べるG検定対策講座【チートシート付き】

Table of Contents

勾配消失問題とは？

そもそも勾配というのは、損失関数をニューラルネットワークのパラメータ（重み）で微分したものでした。

勾配消失問題というからには、まさにその勾配が消えてほぼゼロになってしまうことが問題になっているわけです。では、なぜ勾配がほぼゼロになるとまずいのでしょうか？

重みの更新

$w_{new} = w_{old} ~ – ~ η \frac{\partial E}{\partial w}$

ニューラルネットワークは上記の数式によって重みが何度も更新されることによって、学習が進み、完成度を上げていく仕組みでした。勾配がほぼゼロだということは第2項の微分がほぼゼロになるので、重みがほとんど更新されなくなることを意味します。すなわち、学習が進まず、ニューラルネットワークの完成度が上がらないということです。

ここまでで「勾配がほぼゼロになるとまずい」ということはご理解いただけたと思いますが、そもそもなぜ勾配がほぼゼロになるという事態が発生してしまうのでしょうか？

その原因は活性化関数にあります。勾配は損失関数を重みで微分して求めますが、実際に損失関数を直接的に重みで微分するのは難しいので、微分の連鎖律という性質を使って、複数の微分を掛け合わせて求めるのでした。

微分の連鎖律

$\frac{\partial X}{\partial Y} = \frac{\partial X}{\partial Z}\frac{\partial Z}{\partial Y}$

ニューラルネットワークの順伝播では活性化関数による計算があるので、誤差逆伝搬で遡っていく際には活性化関数の微分も発生します。従来のニューラルネットワークで活性化関数としてよく使われていたのは、【かみ砕いて説明します】ロジスティック回帰分析を分かりやすく解説で紹介したシグモイド関数でした。

細かい計算は省略しますが、シグモイド関数の微分値は必ず1より小さくなるという性質を持ちます。ニューラルネットワークの層が深い場合には活性化関数の計算が何度も発生するので、誤差逆伝搬において、その微分値を掛け合わせる回数も必然的に多くなります。

当然のことながら1より小さい値を何度も何度も掛け合わせれば、その値はどんどん小さくなっていき、最終的にはほぼゼロになってしまいます。このようにして、層が深いニューラルネットワークは勾配消失問題に直面することになります。

勾配消失問題を起こさない活性化関数

ここまでで、シグモイド関数の特性によって勾配消失問題が生じていることをご理解いただけたと思うので、活性化関数を変えることを考えます。

「活性化関数を変えてしまってもよいのか？」という疑問もあるかもしれませんが、そもそもシグモイド関数を用いていた理由は確率を表現するのに便利だからでした。シグモイド関数は必ず0~1の値を返すので、それを確率と解釈できるわけですね。ただ、最終的な結果を返す出力層いおいては確かに必要な性質ですが、途中の隠れ層においては必須と言うわけではありません。つまり、隠れ層の活性化関数には選択の自由があるわけです。

では、ここからシグモイド関数以外の活性化関数を紹介してみます。