待验证50% 置信事实精确时间
反向传播机制要求整个计算图必须是可微分的，且在极深网络中存在梯度消失/爆炸问题
1
来源数
50%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
待验证数值微分计算量与参数数量成正比，符号微分会产生表达式膨胀问题，二者在大规模网络中都无法扩展，反向传播是解决方案74% 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73% 相似待验证级联架构面临的核心挑战是误差传播，上游模型的偏差会被放大传递到下游70% 相似待验证即便plain-56网络中已包含批归一化，仍然出现严重退化，表明批归一化无法单独解决深度网络的优化难题，跳跃连接的贡献是独立且不可替代的70% 相似待验证状态离散化存在权衡：分桶粒度过粗导致信息损失，过细则引发维度灾难，这也是DQN用神经网络替代Q表的核心动机69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/577011API
curl https://kongchang.com/api/v1/knowledge/claims/577011MCP
get_claim(id=577011)