已验证65% 置信事实精确时间

分类任务常用交叉熵损失（Cross-Entropy Loss），回归任务常用均方误差（MSE）

3

来源数

65%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

研究生用AI工具写毕业论文：非科班也能搞定深度学习实验

bilibili论文发刊罗小黑2026/6/4

相关事实

待验证交叉熵损失在分类任务中往往比MSE收敛更快，因为它与softmax输出配合，梯度不会在饱和区消失82% 相似待验证监督学习本质上是函数逼近问题，通过最小化损失函数实现，常见损失函数包括回归任务的均方误差（MSE）和分类任务的交叉熵（Cross Entropy）79% 相似待验证标准交叉熵损失在目标占图像面积较小时会导致严重的类别不平衡问题，模型倾向于全部预测为背景69% 相似待验证预训练阶段使用Cross-Entropy Loss来衡量预测分布与实际下一个token之间的差距68% 相似待验证如果交叉熵稳步下降而Dice波动剧烈，问题几乎可以确定出在Dice损失的配置上68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/49256

API

curl https://kongchang.com/api/v1/knowledge/claims/49256

MCP

get_claim(id=49256)