待验证50% 置信事实精确时间

sigmoid激活函数的导数最大值仅为0.25，多层连乘后导致梯度迅速消失

1

来源数

50%

置信度

长期有效

时效性

2026/7/14

首次发现

来源

机器学习数学基础学习路线：四大核心板块与资源推荐

相关事实

已验证Sigmoid函数存在梯度消失问题：当输入绝对值较大时，其导数趋近于0，导致反向传播时梯度逐层衰减82% 相似已验证梯度消失问题源于Sigmoid或Tanh等饱和激活函数在输入值较大或较小时导数趋近于零，导致梯度逐层衰减77% 相似待验证Sigmoid将输出压缩到0~1之间，Tanh是早期常用激活函数，但随网络层数加深会导致梯度消失问题70% 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65% 相似待验证ReLU激活函数为f(x)=max(0,x)，计算简单且不存在梯度消失问题，使更深网络训练成为可能65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/503893

API

curl https://kongchang.com/api/v1/knowledge/claims/503893

MCP

get_claim(id=503893)