待验证50% 置信事实精确时间
卷积神经网络（CNN）的关键突破在于将卷积核中的数值作为可学习参数，通过反向传播和大量数据自动优化，从而学到人类难以手工设计的特征提取器。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证DQN的关键在于将卷积神经网络与Q-learning算法结合，让智能体无需手工设计特征即可自主学习策略75% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行74% 相似待验证过参数化的神经网络优化容易收敛到好的解的现象可用Neural Tangent Kernel理论解释73% 相似待验证CNN通过卷积层自动提取输入数据的局部特征，利用参数共享和局部连接大幅减少模型参数量72% 相似待验证CNN推理过程包括输入层、卷积层提取低级特征生成特征图、池化层下采样、全连接层映射到10个输出节点、输出概率最高节点作为识别结果71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1018461API
curl https://kongchang.com/api/v1/knowledge/claims/1018461MCP
get_claim(id=1018461)