Verified65% confidenceFactExact time
Sigmoid函数存在梯度消失问题：当输入绝对值较大时，其导数趋近于0，导致反向传播时梯度逐层衰减
3
Sources
65%
Confidence
Medium-term (~90 days)
Relevance
7/2/2026
First Seen
Valid until: 9/30/2026
Sources
Related Claims
Unverifiedsigmoid激活函数的导数最大值仅为0.25，多层连乘后导致梯度迅速消失82% similarVerified梯度消失问题源于Sigmoid或Tanh等饱和激活函数在输入值较大或较小时导数趋近于零，导致梯度逐层衰减79% similarUnverifiedSigmoid将输出压缩到0~1之间，Tanh是早期常用激活函数，但随网络层数加深会导致梯度消失问题76% similarUnverified梯度消失是深层神经网络中梯度值在反向传播过程中指数级衰减，导致靠近输入层的参数几乎得不到更新67% similarUnverified在高维空间中通过令导数为零求解析解几乎不可能，梯度下降是可扩展到高维的策略66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/47623API
curl https://kongchang.com/api/v1/knowledge/claims/47623MCP
get_claim(id=47623)