待验证50% 置信事实精确时间
重参数化技巧将采样表示为 z = μ + σ × ε（ε从标准正态分布采样），使随机性外置于ε，从而让μ和σ的梯度可正常反向传播实现端到端训练
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
从零实现变分自编码器：PyTorch + PIL 实战详解
redditr/deeplearning2026/7/10
相关事实
待验证大模型中的参数在数学上是神经网络每条连接边上的权重数值和偏置值，训练前随机初始化，通过反向传播算法和梯度下降不断调整69% 相似待验证后训练的最优解是参考分布的指数倾斜，即最优分布密度正比于参考模型密度乘以奖励的指数：π*(x) ∝ π_ref(x) · exp(r(x)/β)68% 相似待验证重要性采样的数学核心是测度变换，通过引入提议分布q并用似然比w=p(x)/q(x)对样本重加权，无偏地估算原始概率67% 相似待验证A/B实验本质上是一种受控的随机对照实验，其统计学基础来自假设检验理论66% 相似待验证LLM的每次调用可以被建模为伯努利试验，N次独立调用的通过次数服从二项分布B(N, p)66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490961API
curl https://kongchang.com/api/v1/knowledge/claims/490961MCP
get_claim(id=490961)