待验证50% 置信事实精确时间

梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关

1

来源数

50%

置信度

长期有效

时效性

2026/8/20

首次发现

来源

系统学习机器学习：从数学推导到代码实现的完整路径

相关事实

已验证梯度下降通过沿着损失函数梯度的反方向迭代调整权重使预测误差逐步收敛77% 相似待验证梯度下降衍生出批量梯度下降、随机梯度下降和小批量梯度下降三种主要变体，Adam优化器是在动量与自适应学习率基础上的综合改进75% 相似待验证梯度下降的权重更新规则为 w = w - lr * gradient，其中lr是学习率75% 相似待验证分散损失属于表示学习正则化方法族群，相较对比学习和白化变换，其优势在于直接作用于嵌入几何且无需构造对比样本对72% 相似待验证前景理论的核心发现是损失厌恶，损失曲线的斜率远陡于同等幅度收益曲线的斜率72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/779955

API

curl https://kongchang.com/api/v1/knowledge/claims/779955

MCP

get_claim(id=779955)