梯度消失和梯度爆炸其实是一种情况：均是在神经网络中，当前面隐藏层的学习速率低于后面隐藏层的学习速率，即随着隐藏层数目的增加，分类准确率反而下降了。
梯度消失产生的原因：
（1）隐藏层的层数过多;
（2）采用了不合适的激活函数（更容易产生梯度消失，但是也有可能产生梯度爆炸）
梯度爆炸产生的原因：
（1）隐藏层的层数太多;
（2）权重初始化值过大。
1、为什么说隐藏层数过多会造成梯度消失或梯度爆炸？
从深层网络角度来讲，不同的层学习的速度差异很大，表现为网路中靠近输出的层学习的情况很好，靠近输入的层学习的很慢，有时甚至训练了很久，前基层的权值和刚开始随机初始化的值差不多。因此，梯度消失、爆炸，其根本原因在于反向传播训练法则，属于先天不足。
2、为什么激活函数会影响？
我们以下图的反向传播为例，假设每一层只有一个神经元且对于每一层都可以用公式1表示，其中δ为sigmoid函数，C表示的是代价函数，前一层的输出和后一层的输入关系如公式1所示。我们可以推导出公式2：
其导数图像如下图所示：
可见，sigmoid导数的最大值为1/4，而我们一般会使用标准方法来初始化网络权重，即使用一个均值为0，标准差为1的高斯分布。因此，初始化的网络权值通常都小于1，对于2的链式求导，层数越多，求导结果越小，最终导致梯度消失的情况出现。所以说，sigmoid函数一般不适合用于神经网络中。
3、初始化权重的值过大
也就是w比较大的情况下，根据2式的链式相乘可得(反向传播)，则前面的网络层比后面的网络层梯度变化更快，引起了梯度爆炸的问题。所以，在一般的神经网络中，权重的初始化一般都利用高斯分布随机产生权重值。
梯度消失与梯度爆炸的解决方案：
（1）预训练加微调
（2）梯度剪切、正则
（3）ReLU、LeakyReLU、ELU等激活函数
（4）BatchNormalization
（5）残差结构
（6）LSTM
参考：https://www.cnblogs.com/XDU-Lakers/p/10553239.html