待验证50% 置信事实精确时间
调用loss.backward()时PyTorch沿计算图从输出反向追溯到每个参数,利用链式法则自动计算各参数梯度;optimizer.step()根据梯度按优化算法更新模型权重
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
已验证反向传播本质上是一种高效计算梯度的动态规划算法,通过从输出层到输入层逐层传递误差信号并复用中间计算结果来降低梯度计算复杂度73% 相似已验证反向传播算法的本质是通过链式法则在计算图上高效计算标量损失对每个参数的偏导数70% 相似待验证反向模式自动微分能用 O(n) 时间计算标量损失对所有参数的梯度,而前向模式需要 O(n) 次前向传播68% 相似待验证在PyTorch中,每一个继承了nn.Module的模型模块都必须实现forward方法,当输入x时框架会自动触发forward完成计算67% 相似待验证条件路由是LangGraph中通过add_conditional_edges方法实现的边类型,根据路由函数返回值动态决定下一步走向66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/898979API
curl https://kongchang.com/api/v1/knowledge/claims/898979MCP
get_claim(id=898979)