待验证50% 置信事实精确时间

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）

1

来源数

50%

置信度

长期有效

时效性

2026/9/9

首次发现

来源

用C++从零实现张量运算与自动微分：拆解PyTorch底层原理

涉及实体

automatic differentiationconcept

相关事实

已验证反向传播的本质是链式求导，损失函数对每一层参数的梯度从输出层向输入层逐层传递，前提是损失函数必须存在且可微68% 相似待验证梯度下降及其变体（Adam、AdaGrad等）本质上是数值优化算法67% 相似待验证加法节点的梯度传播规则是L对任一加数的偏导为1，直接将全局梯度传下去；乘法节点的偏导等于另一因子的值再乘以全局梯度66% 相似待验证多级调用图能展示函数的上游调用者和下游被调用者，帮助评估改动的潜在影响范围65% 相似已验证调用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64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/885582

API

curl https://kongchang.com/api/v1/knowledge/claims/885582

MCP

get_claim(id=885582)