Unverified50% confidenceFactExact time
损失函数中 tanh(β·E1·E2) 取 β=10，当 β 足够大时将乘积符号信息锐化为接近 ±1 的值
1
Sources
50%
Confidence
Long-term
Relevance
7/10/2026
First Seen
Sources
IMGNet：符号模式匹配挑战余弦相似度的人脸验证新方法
redditr/deeplearning7/9/2026
Related Claims
Unverified梯度下降通过迭代公式 θ = θ - α∇J(θ) 更新参数，其中α是学习率，∇J(θ)是损失函数对参数的偏导数向量65% similarUnverified4-bit量化在损失约1-3%准确率的前提下，将模型体积缩减至原来的1/865% similarUnverified梯度下降更新规则为 v → v − η∇C，由于 η>0 且 ‖∇C‖²≥0，保证每次更新降低代价 ΔC ≤ 063% similarUnverified傅里叶衰减速率β与集合Hausdorff维数满足β ≤ dim_H，但等号不一定成立62% similarUnverified均匀量化引入的误差近似服从均匀分布，其方差为Δ²/12（Δ为量化步长）62% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/454828API
curl https://kongchang.com/api/v1/knowledge/claims/454828MCP
get_claim(id=454828)