在訓練神經網路時，為了提升模型收斂速度與穩定性，避免梯度消失或梯度爆炸，下列哪一種做法最常被使用？
答案 （B）
核心概念
梯度消失的元凶之一是傳統啟動函數。Sigmoid 與 Tanh 的導數最大值分別只有 0.25 與 1，且在飽和區趨近於 0，層數一多，反向傳播時這些小於 1 的導數連乘下去，梯度就消失了。ReLU 在正區間的導數恆為 1，連乘也不會衰減，因此能讓梯度順利傳遞到深層；其變體（Leaky ReLU、ELU、GELU）進一步改善負區間神經元死亡的問題。
本題詳解提到同卷第 43 題。
答題技巧
快速判斷技巧：把症狀與解法配對記起來——梯度消失／爆炸 → ReLU 系列啟動函數、批次正規化（Batch Normalization）、殘差連接（Residual Connection）、梯度裁剪（Gradient Clipping）。過度擬合 → 丟棄法（Dropout）、資料增強、正則化。看到症狀就從對應清單裡找。
易錯陷阱：(D) 標準化很有干擾性，因為它確實能加速收斂。差別在於：標準化解決的是「輸入特徵尺度不一」，而梯度消失是「深層網路中導數連乘衰減」，成因不同。題目把「梯度消失或梯度爆炸」寫出來，就是在指定病因。