待验证60% 置信事实时间未知
RMSProp用指数移动平均替代累积，解决了AdaGrad的学习率消失问题
2
来源数
60%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
Adam优化器深度拆解：一文搞懂自适应矩估计原理
bilibili深度学习自习室
涉及实体
相关事实
待验证RMSprop通过引入指数移动平均（EMA）解决了AdaGrad学习率趋零的缺陷84% 相似待验证AdaGrad于2011年首次引入自适应学习率，对历史梯度平方累积归一化，但其分母单调递增会导致学习率趋近于零65% 相似待验证Asana公布的76倍成本下降与5倍速度提升数字来自其内部测试环境，具体表现会因应用场景、调用模式和优化程度而异62% 相似待验证当不动动作占据80%以上帧时，模型通过最小化交叉熵损失可在不学习有意义特征的情况下达到80%准确率，这称为多数类捷径61% 相似待验证与“对每个子步骤都做微调”的方案相比，AdaRSI达到略高的成功率，但只消耗了28%的GPU时间和22%的自采集演示数据。61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/7719API
curl https://kongchang.com/api/v1/knowledge/claims/7719MCP
get_claim(id=7719)