1. RNN存在哪些问题呢？

1.1 梯度弥散和梯度爆炸

梯度弥散是梯度趋近于0
梯度爆炸是梯度趋近无穷大

1.2 RNN为什么会出现梯度弥散和梯度爆炸呢？

先看RNN的梯度推导公式，如下图：

从h_k的梯度求导公式和h_k的计算过程可以看出，h_k的计算和W_hh相关，也就是梯度也与W_hh有关，因此从h₁ 时刻到h_k时刻，W_hh被乘了k-1次，即W_hh^k-1，那么当W>1时，就使得W_r^k随着k（句子长度）的增大，梯度趋近无穷大，会出现梯度爆炸，而W<1时，W_r^k随着k（句子长度）的增大，梯度会趋近于0，会出现梯度弥散。
综上：RNN并不是可以处理无限长的句子，其随着句子的增长可能出现梯度弥散和梯度爆炸的问题

2. 解决梯度爆炸方法

上图为一篇解决梯度爆炸的paper，其中左边的图描述的是梯度爆炸产生的原因，当W出现巨变的时候会导致loss的方向发生变化，从而偏移原来正确的方向，出现梯度爆炸。
解决梯度爆炸的方法是给w.grad设置一个阈值，比如是15，当大于阈值时，将w.grad^’=w.grad/||w.grad||15=115=15，从而保证了loss的方向不变，loss虽然可能有一些跳变，比如：从0.23~0.32,，但慢慢的还会下降。
这种方法叫gradient clipping

3. Gradient Clipping的实现

只需获取到模型参数后调用torch.nn.utils.clip_grad_norm_(p,10)即可，10为阈值。
见下图，注意torch.nn.utils.clip_grad_norm_(p,10)和print是平齐的。

4. 解决梯度弥散的方法

下文LSTM会讲。