<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>神经网络 on Answer</title>
    <link>https://answer.freetools.me/categories/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/</link>
    <description>Recent content in 神经网络 on Answer</description>
    <generator>Hugo -- 0.152.2</generator>
    <language>zh-cn</language>
    <lastBuildDate>Fri, 13 Mar 2026 00:34:42 +0800</lastBuildDate>
    <atom:link href="https://answer.freetools.me/categories/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>归一化层的双重身份：为什么BatchNorm在训练和推理时判若两人</title>
      <link>https://answer.freetools.me/%E5%BD%92%E4%B8%80%E5%8C%96%E5%B1%82%E7%9A%84%E5%8F%8C%E9%87%8D%E8%BA%AB%E4%BB%BD%E4%B8%BA%E4%BB%80%E4%B9%88batchnorm%E5%9C%A8%E8%AE%AD%E7%BB%83%E5%92%8C%E6%8E%A8%E7%90%86%E6%97%B6%E5%88%A4%E8%8B%A5%E4%B8%A4%E4%BA%BA/</link>
      <pubDate>Fri, 13 Mar 2026 00:34:42 +0800</pubDate>
      <guid>https://answer.freetools.me/%E5%BD%92%E4%B8%80%E5%8C%96%E5%B1%82%E7%9A%84%E5%8F%8C%E9%87%8D%E8%BA%AB%E4%BB%BD%E4%B8%BA%E4%BB%80%E4%B9%88batchnorm%E5%9C%A8%E8%AE%AD%E7%BB%83%E5%92%8C%E6%8E%A8%E7%90%86%E6%97%B6%E5%88%A4%E8%8B%A5%E4%B8%A4%E4%BA%BA/</guid>
      <description>深入解析神经网络归一化层的训练推理差异：从BatchNorm的running statistics机制到LayerNorm的一致性设计，揭示为什么有些归一化层需要两个计算模式，以及工程实践中如何正确使用它们。</description>
    </item>
    <item>
      <title>神经网络中的偏置：为什么简单的加法如此重要</title>
      <link>https://answer.freetools.me/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%AD%E7%9A%84%E5%81%8F%E7%BD%AE%E4%B8%BA%E4%BB%80%E4%B9%88%E7%AE%80%E5%8D%95%E7%9A%84%E5%8A%A0%E6%B3%95%E5%A6%82%E6%AD%A4%E9%87%8D%E8%A6%81/</link>
      <pubDate>Thu, 12 Mar 2026 09:47:41 +0800</pubDate>
      <guid>https://answer.freetools.me/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%B8%AD%E7%9A%84%E5%81%8F%E7%BD%AE%E4%B8%BA%E4%BB%80%E4%B9%88%E7%AE%80%E5%8D%95%E7%9A%84%E5%8A%A0%E6%B3%95%E5%A6%82%E6%AD%A4%E9%87%8D%E8%A6%81/</guid>
      <description>从感知机的决策边界到现代大语言模型的架构简化，深入解析神经网络中偏置项的数学本质、在不同层中的作用、以及为什么有些架构选择移除它。</description>
    </item>
    <item>
      <title>梯度消失与梯度爆炸：为什么深层神经网络曾经只能堆叠五层？</title>
      <link>https://answer.freetools.me/%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1%E4%B8%8E%E6%A2%AF%E5%BA%A6%E7%88%86%E7%82%B8%E4%B8%BA%E4%BB%80%E4%B9%88%E6%B7%B1%E5%B1%82%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%9B%BE%E7%BB%8F%E5%8F%AA%E8%83%BD%E5%A0%86%E5%8F%A0%E4%BA%94%E5%B1%82/</link>
      <pubDate>Thu, 12 Mar 2026 00:23:55 +0800</pubDate>
      <guid>https://answer.freetools.me/%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1%E4%B8%8E%E6%A2%AF%E5%BA%A6%E7%88%86%E7%82%B8%E4%B8%BA%E4%BB%80%E4%B9%88%E6%B7%B1%E5%B1%82%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%9B%BE%E7%BB%8F%E5%8F%AA%E8%83%BD%E5%A0%86%E5%8F%A0%E4%BA%94%E5%B1%82/</guid>
      <description>从1991年Hochreiter发现梯度消失问题，到2015年ResNet突破1000层训练障碍，深度学习的&amp;#34;深度&amp;#34;困境经历了二十五年的技术突围。本文深入解析梯度问题的数学本质、历史演进与解决方案。</description>
    </item>
  </channel>
</rss>
