待验证50% 置信事实精确时间

2014 年 Yosinski 等人在论文《How transferable are features in deep neural networks?》中证明网络浅层学习的特征具有极高通用性，而深层特征逐渐变得任务特定

1

来源数

50%

置信度

长期有效

时效性

2026/8/27

首次发现

来源

在家训练生产级图像分类器：可行性与实战路径

涉及实体

相关事实

待验证深度学习模型浅层网络学习的边缘、纹理等低层特征具有较强领域无关性，深层网络编码的高层语义特征更具领域特异性77% 相似待验证近年来的理论研究表明，在过参数化的深度网络中，大部分局部极小值的质量接近全局最优，而鞍点才是优化的真正障碍72% 相似已验证深度学习使用多层神经网络，其结构受人脑神经元连接方式的启发71% 相似待验证深度神经网络由输入层、若干隐藏层、输出层构成，每个神经元对前一层输入做加权求和加偏置后通过激活函数做非线性变换70% 相似待验证Telgarsky等人的工作证明，深度网络在表示某些函数时比等宽度的浅层网络具有指数级的参数效率优势70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/810175

API

curl https://kongchang.com/api/v1/knowledge/claims/810175

MCP

get_claim(id=810175)