待验证50% 置信事实精确时间
LibTorch中通过设置张量的requires_grad=true来追踪计算，调用backward()即可自动完成梯度计算
1
来源数
50%
置信度
长期有效
时效性
2026/8/29
首次发现
来源
涉及实体
相关事实
待验证自动微分通过在运行时记录所有张量运算构建计算图，然后利用反向模式微分自动计算任意复杂函数的精确梯度64% 相似待验证自动微分通过在前向计算过程中记录每一步操作及其局部导数规则构建计算树，反向传播时沿计算树应用链式法则计算梯度62% 相似待验证LLM辅助代码调试依赖对代码语义的概率推断，需要在调用图中追踪因果链条，区别于依赖确定性规则引擎的传统静态分析工具60% 相似已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为59% 相似待验证自动微分是PyTorch的.backward()和TensorFlow的GradientTape背后的核心原理，它在数值计算的同时进行导数追踪，既不引入数值误差也不产生表达式膨胀57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/817081API
curl https://kongchang.com/api/v1/knowledge/claims/817081MCP
get_claim(id=817081)