待验证50% 置信事实精确时间

RNN存在梯度消失/爆炸问题，梯度跨越大量时间步传递时会指数级衰减或膨胀，导致难以学习远距离依赖

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

Transformer学习路径为何总是起步太晚？正确顺序比材料更重要

redditr/learnmachinelearning2026/7/11

相关事实

待验证RNN面临梯度消失问题，序列越长梯度经过的乘法链越长，数值呈指数级缩小85% 相似待验证RNN及其变体LSTM和GRU按时间步依次处理序列，存在梯度指数级衰减导致长距离依赖捕捉困难，以及无法并行化训练的缺陷81% 相似待验证RNN（循环神经网络）的核心缺陷在于其串行计算特性，必须按时间步逐一处理序列，导致长距离依赖关系随序列长度指数级衰减77% 相似待验证传统 RNN 架构因顺序处理的局限在面对远距离依赖时会出现梯度消失问题77% 相似待验证梯度消失是深层神经网络中梯度值在反向传播过程中指数级衰减，导致靠近输入层的参数几乎得不到更新77% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/496131

API

curl https://kongchang.com/api/v1/knowledge/claims/496131

MCP

get_claim(id=496131)