待验证60% 置信事实时间未知
反向传播（Backpropagation）本质上是链式法则的系统化应用，通过从输出层向输入层逐层传递误差信号来高效计算每个参数对损失函数的偏导数
2
来源数
60%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
深度学习入门教程：三天从神经网络原理到图像识别实战
bilibiliAI大模型吱吱
涉及实体
相关事实
待验证反向传播的核心思想是利用链式法则将输出误差逐层分解，使误差信号从输出层逆向流回每一个权重参数81% 相似已验证反向传播本质上是一种高效计算梯度的动态规划算法，通过从输出层到输入层逐层传递误差信号并复用中间计算结果来降低梯度计算复杂度79% 相似已验证反向传播算法的本质是通过链式法则在计算图上高效计算标量损失对每个参数的偏导数77% 相似待验证模型回退（Fallback）是聚合多个大语言模型平台常见的容错设计，当首选模型无法响应时系统自动切换到备用模型以保证服务连续性70% 相似已验证反向传播算法的数学基础是微积分中的链式法则，将复合函数的梯度分解为各层局部梯度的乘积，从输出层逐层向输入层传递误差信号70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/12558API
curl https://kongchang.com/api/v1/knowledge/claims/12558MCP
get_claim(id=12558)