待验证50% 置信事实精确时间

梯度下降通过迭代公式 θ = θ - α∇J(θ) 更新参数，其中α是学习率，∇J(θ)是损失函数对参数的偏导数向量

1

来源数

50%

置信度

长期有效

时效性

2026/8/9

首次发现

来源

5个方程搞懂AI数学：20个Python实战项目免费开放

相关事实

待验证梯度下降更新规则为 v → v − η∇C，由于 η>0 且 ‖∇C‖²≥0，保证每次更新降低代价 ΔC ≤ 080% 相似待验证线性回归使用均方误差作为损失函数，公式为L=(Ŷ-Y)²71% 相似待验证Gunasekar等人2017年的研究证明，对于线性模型，梯度下降等价于最小范数插值67% 相似待验证损失函数中 tanh(β·E1·E2) 取 β=10，当 β 足够大时将乘积符号信息锐化为接近 ±1 的值65% 相似待验证贝叶斯决策理论选择使期望损失最小化的行动a*，即a*=argmin_a E[L(θ,a)|x]，期望关于后验分布p(θ|x)计算63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/718978

API

curl https://kongchang.com/api/v1/knowledge/claims/718978

MCP

get_claim(id=718978)