AI词典
-
【AI词典】学习率 - 控制模型参数更新步长的超参数2026-04-23
学习率：定义学习率是机器学习与深度学习中的一项关键超参数，它定量地控制着模型在每次参数更新时的调整步长，直接决定了模型在优化过程中收敛的速度与最终性能的优劣。学习率的工作原理我们可以将模型训练过程想象成一个人在山谷中寻找最低点（即损失函数的最小值）。
查看详情>> -
【AI词典】Adam优化器 - 自适应矩估计的神经网络优化算法2026-04-23
Adam优化器：定义Adam优化器（AdaptiveMomentEstimation）是一种在深度学习领域广泛使用的、结合了动量（Momentum）和自适应学习率思想的迭代优化算法，其核心是通过计算梯度的一阶矩（均值）和二阶矩（未中心化的方差）估计，为每个参数动态调整独立的学习率。Adam优化器的工作原理
查看详情>> -
【AI词典】随机梯度下降SGD - 一种高效的优化算法2026-04-23
随机梯度下降SGD：定义随机梯度下降（StochasticGradientDescent,SGD）是一种用于优化机器学习模型参数的迭代算法，其核心思想是通过每次随机选取一个（或一小批）训练样本来计算梯度并更新模型参数，从而高效地逼近损失函数的最小值。随机梯度下降SGD的工作原理想象你身处一片多山
查看详情>> -
【AI词典】反向传播 - 神经网络训练的核心算法2026-04-23
反向传播：神经网络训练的核心算法反向传播是一种通过计算损失函数对神经网络中所有权重参数的梯度，并利用梯度下降法迭代更新这些参数，从而使网络输出逼近预期目标的监督学习算法。它是现代深度学习得以高效训练的基石，常被简称为“Backprop”或BP算法。原理：误差的逆向分配与调整可以将反向传播的工作原理类
查看详情>> -
【AI词典】梯度消失 - 神经网络训练中的梯度衰减问题2026-04-23
梯度消失：定义梯度消失是指在深度神经网络的反向传播训练过程中，误差梯度从输出层向输入层逐层传递时，其数值（范数）指数级衰减至接近于零的现象。这导致网络前部的层（尤其是靠近输入的层）的参数更新极其缓慢甚至停滞，从而严重阻碍网络的深度学习和性能提升。
查看详情>> -
【AI词典】Dropout正则化 - 防止过拟合的神经网络训练技术2026-04-23
Dropout正则化：定义Dropout正则化是一种在神经网络训练过程中，通过随机“丢弃”一部分神经元及其连接来防止模型过拟合的技术。其核心思想是在每次训练迭代中，强制网络不依赖于任何少数特定的神经元，从而提升模型的泛化能力。Dropout正则化：工作原理可以将Dropout的工作原理类比于一个团队协
查看详情>> -
ChatGPT 4.5 深度评测：2026 年最强闭源大模型能力解析2026-04-23
一句话定义C
查看详情>> -
如何选择合适的国产大模型？文心一言与通义千问对比指南2026-04-23
一句话定义国产大模型是基于海量中文语料训练的超大规模人工智能，旨在以本土化优势提供媲美ChatGPT的智能交互与服务能力。技术原理要理解文心一言（ErnieBot）与通义千问（Qwen）为何能成为国产大模型的佼佼者，我们需要深入其背后的技术引擎。尽管两者在训练数据和具体架构优化上各有千秋，但其
查看详情>> -
【AI词典】批归一化 - 加速神经网络训练的标准化技术2026-04-23
批归一化：定义批归一化（BatchNormalization，简称BN）是一种通过对神经网络每一层输入数据进行标准化处理，以加速训练过程、提升模型稳定性和性能的深度优化技术。其核心思想是在每个训练批次（Batch）的数据上，对输入进行零均值、单位方差的归一化，并引入可学习的缩放与偏移参数，以恢复网络应有的表达能力。批
查看详情>> -
【AI词典】自注意力机制 - 序列建模中的核心计算组件2026-04-23
自注意力机制：定义自注意力机制（Self-AttentionMechanism）是Transformer架构的核心计算组件，它允许序列中的每个元素（如单词或图像块）动态地权衡并聚合来自序列内所有其他元素的信息，从而捕捉长距离的上下文依赖关系。自注意力机制的工作原理理解自注意力机制，可以将其想象成一场
查看详情>>