# 反向传播

> 神经网络的核心算法。

- ID: m00545
- 分类: technical
- 领域: 神经科学

## 定义

神经网络的核心算法。通过计算输出结果与真实结果的误差，然后将误差从输出层反向传导回输入层，逐层调整神经元的权重，以修正模型。脚手架作用：基于错误的快速迭代。它提供了一种学习的高级隐喻：不要只向前看（做题），要花更多时间向后看（纠错）。从错误结果反推是哪个环节的“权重”出了问题，是提高学习效率的最快路径。

## 机制

神经网络训练算法：用链式法则从输出层向输入层反向计算损失对各参数的梯度，再用梯度下降更新权重，是深度学习的基石。

## 练习

前向得预测与损失；反向逐层求梯度（链式法则）；按学习率更新参数；循环至收敛并防梯度消失/爆炸。

## 脚手架用法

基于错误的快速迭代。它提供了一种学习的高级隐喻：不要只向前看（做题），要花更多时间向后看（纠错）。从错误结果反推是哪个环节的“权重”出了问题，是提高学习效率的最快路径。

[阅读网页](https://thinkingmodels.site/entries/detail/m00545)