在深层神经网络中，梯度在反向传播过程中可能变得非...

允许输入信号跳过若干层直接传递到后续层（如 输出 = F(x) + x）。即使深层网络中的 F(x) 学习到接近0的变换，梯度仍可通过恒等路径（x）无损反向传播。
通过门控单元（如LSTM的输入门、遗忘门、输出门）控制信息流动，保留长期依赖关系。

遗忘门：决定保留多少历史信息 → 缓解梯度消失。

输入门：控制新信息写入。