待验证50% 置信事实精确时间
数值梯度检验通过有限差分近似导数：对每个参数 θ，计算 [L(θ+ε) - L(θ-ε)] / (2ε)，其中 ε 是一个很小的数（如1e-4）。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
用NumPy手搓神经网络：一次深入理解反向传播的实践
redditr/deeplearning2026/10/19
涉及实体
相关事实
已验证数值梯度检验通过中心差分公式 (f(θ+ε) - f(θ-ε)) / (2ε) 近似计算梯度，与解析梯度比较，相对误差小于1e-5认为正确，大于1e-3几乎确定存在bug77% 相似待验证单轮测试采用严格的精确参数评分并按严重度加权（L4=8分递减到L0=0分）70% 相似待验证对于常数映射和常数映射先验，识别后悔的指数底数恰好是 β_★（约3.583），而不是矩范围所暗示的 4；对于单调映射，该底数落在 [2, β_★] 区间内。70% 相似待验证论文证明对于参数 ν∈(0,2) 的 Matérn-ν 核、参数 γ∈(0,2) 的 γ-指数核以及某些分段多项式核，极小极大最优尺度被精确确定为 Θ(√(Tγ_T))，上下界在常数因子范围内完全吻合68% 相似待验证论文推导出使均方误差最小的最优引导权重闭式解：λ*(T, δ, σ₀²) = σ₀² / (σ₀² + R_max² · δ² · T)66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1069370API
curl https://kongchang.com/api/v1/knowledge/claims/1069370MCP
get_claim(id=1069370)