<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Stability on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/stability/</link><description>Recent content in Stability on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/stability/index.xml" rel="self" type="application/rss+xml"/><item><title>裁剪</title><link>https://terms-en.ai-term-hub.com/zh/terms/clip/</link><pubDate>Sat, 18 Jul 2026 11:10:07 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/clip/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>在深度学习工程中，裁剪通常应用于梯度以缓解梯度爆炸问题，确保反向传播的稳定性。它也可以指在应用激活函数之前限制输出 logits 的范围。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>裁剪是一种限制数值（如梯度或输出概率）幅度的技术，旨在防止训练过程中的数值不稳定。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>梯度裁剪&lt;/li>
&lt;li>数值稳定性&lt;/li>
&lt;li>梯度爆炸&lt;/li>
&lt;li>正则化&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>循环神经网络训练&lt;/li>
&lt;li>稳定 Transformer 训练&lt;/li>
&lt;li>防止损失发散&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/learning-rate-%E5%AD%A6%E4%B9%A0%E7%8E%87/">Learning Rate (学习率)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/backpropagation-%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/">Backpropagation (反向传播)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/vanishing-gradient-%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1/">Vanishing Gradient (梯度消失)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/normalization-%E5%BD%92%E4%B8%80%E5%8C%96/">Normalization (归一化)&lt;/a>&lt;/li>
&lt;/ul></description></item><item><title>发散</title><link>https://terms-en.ai-term-hub.com/zh/terms/divergence/</link><pubDate>Sat, 18 Jul 2026 10:50:42 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/divergence/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>在优化的背景下，当模型参数的更新方式导致损失增加而不是减少时，就会发生发散，这通常会导致NaN值或无限梯度。这通常是由于学习率过高或数值不稳定性引起的。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>发散是指机器学习算法的损失函数在训练过程中未能下降，导致性能不稳定或恶化的现象。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>损失爆炸&lt;/li>
&lt;li>学习率敏感性&lt;/li>
&lt;li>梯度不稳定&lt;/li>
&lt;li>数值精度&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>调试深度学习框架中的训练循环&lt;/li>
&lt;li>调整超参数以实现稳定收敛&lt;/li>
&lt;li>实施梯度裁剪策略以防止发散&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A2%AF%E5%BA%A6%E6%B6%88%E5%A4%B1-vanishing-gradient/">梯度消失 (Vanishing Gradient)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A2%AF%E5%BA%A6%E7%88%86%E7%82%B8-exploding-gradient/">梯度爆炸 (Exploding Gradient)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E6%94%B6%E6%95%9B-convergence/">收敛 (Convergence)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/%E7%A8%B3%E5%AE%9A%E6%80%A7-stability/">稳定性 (Stability)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>