待验证50% 置信事实精确时间

反向传播的计算复杂度与网络参数量呈线性关系，这是其能支撑大规模网络训练的根本原因

1

来源数

50%

置信度

长期有效

时效性

2026/8/16

首次发现

来源

用VRML可视化MLP：XOR问题的3D神经网络演示

相关事实

待验证大模型中的参数在数学上是神经网络每条连接边上的权重数值和偏置值，训练前随机初始化，通过反向传播算法和梯度下降不断调整75% 相似已验证神经网络训练中反向模式自动微分是反向传播的数学本质，因为参数数量远多于损失值输出维度71% 相似待验证构建从逻辑回归到随机森林、GBDT、简单神经网络的模型复杂度阶梯，用实验结果展示边际收益递减是有效的面试作业策略68% 相似待验证有限状态机中N个状态之间的转换关系最多可达N²条，行为树通过层次化组合将复杂度控制在线性增长范围内67% 相似待验证大模型本质上是一个包含海量参数的复合函数，训练过程是通过反向传播算法调整参数使输出接近期望结果67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/756915

API

curl https://kongchang.com/api/v1/knowledge/claims/756915

MCP

get_claim(id=756915)