梯度的尺度保持不變：
利用阿達瑪乘積，梯度的尺度不會因為層數的增加而減小或增大，因為每次乘積都是獨立的元素乘法，不涉及整個矩陣的縮放。總的來說，阿達瑪乘積不會像矩陣乘積那樣導致梯度消失或梯度爆炸，因為它不涉及線性變換的累積效應，而是對梯度進行逐元素的操作。這使得LSTM等網路結構在處理長序列時更加穩定
門控機制：
在LSTM中，門控機制（如遺忘門、輸入門）使用的是阿達瑪乘積，這些門的啟用值（0到1之間）可以控制資訊的流動，但不會像矩陣乘積那樣對梯度進行縮放。這意味著梯度在透過門控機制時不會消失或爆炸。
梯度裁剪：
即使在阿達瑪乘積中，梯度也可能因為極端的值而變得非常大。為了防止梯度爆炸，通常會使用梯度裁剪技術，將梯度限制在一個合理的範圍內