待验证50% 置信事实精确时间
自动微分通过在每次前向运算时同步记录操作及其输入，动态构建一张有向无环图（计算图），反向传播时沿图的反向边依次调用每个操作的局部梯度函数，通过链式法则累积梯度
1
来源数
50%
置信度
长期有效
时效性
2026/9/21
首次发现
来源
涉及实体
相关事实
已验证调用loss.backward()时，PyTorch沿计算图反向遍历，利用链式法则自动计算每个参数的梯度76% 相似待验证在LangGraph中，每个节点代表一个计算步骤（如LLM调用、工具执行、条件判断），边代表状态流转路径70% 相似待验证步长记录了在每个维度上移动一步所需跨越的内存单元数，使得转置、切片等操作可以在不复制数据的情况下通过修改步长完成69% 相似待验证在自动微分中,当一个变量通过多个计算路径影响损失函数时,来自各路径的梯度必须相加（梯度累加）69% 相似已验证LangGraph通过内置的Checkpointer机制支持将图执行的每一步状态快照持久化，实现断点续跑能力69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/939631API
curl https://kongchang.com/api/v1/knowledge/claims/939631MCP
get_claim(id=939631)