使用激活函数：选择合适的激活函数可以帮助缓解梯度消失问题。传统的激活函数如sigmoid和tanh在输入较大或较小的情况下梯度会趋近于零，可以尝试使用ReLU（Rectified Linear Unit）等激活函数，它在正区间上保持梯度为常数。使用批归一化（Batch Normalization）：批归一化是一种在神经网络层之间插入归
梯度消失会导致网络的深层无法学习，因为它们的权重更新非常缓慢，这严重影响了神经网络的训练效率和性能。
可以增加梯度在网络中的流动，有助于缓解梯度消失问题。
参考：详解深度学习中的梯度消失、爆炸原因及其解决方法 - DoubleV的文章 - 知乎 DoubleV：详解深度学习中...