待验证50% 置信事实精确时间
《Neural Networks and Deep Learning》由 Michael Nielsen 撰写，是一本免费的在线书籍，通过交互式例子推导反向传播算法
1
来源数
50%
置信度
长期有效
时效性
2026/8/31
首次发现
来源
涉及实体
相关事实
待验证在深度学习中，雅可比矩阵的计算是反向传播算法的数学基础，描述梯度如何在网络层间流动64% 相似待验证2020年代以来出现基于深度学习的侧信道攻击，研究者使用卷积神经网络从功耗轨迹自动提取特征，某些场景下能绕过传统硬件对抗措施64% 相似待验证现代深度学习框架PyTorch和TensorFlow将神经网络表示为计算图，通过自动微分（Autograd）逆向计算梯度63% 相似待验证该项目用Minimax符号搜索算法作为教师，将计算智慧转移到神经网络中，属于一种广义的知识蒸馏63% 相似待验证2017年Guo等人在ICML发表的《On Calibration of Modern Neural Networks》首次大规模实证校准失当现象，发现ResNet等现代深度网络比早期浅层网络校准更差63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/828121API
curl https://kongchang.com/api/v1/knowledge/claims/828121MCP
get_claim(id=828121)