AI 科普达人 New Machina 将用 3 分钟给大家解释这个机器学习中的重要概念。
简单说，反向传播是一种让神经网络学会 “改错” 的方法。神经网络在做预测时，难免会出偏差，而反向传播的作用，就是找出这些偏差从哪里来，然后一步步调整内部参数，让下一次预测更接近正确答案。
理解反向传播，先要知道前向传播在做什么。前向传播就是数据从输入层进入网络，一层一层往前走。每一层的神经元都会对输入进行计算，经过激活函数处理后，把结果传给下一层，最终得到一个输出。这个输出就是网络当前给出的预测结果。
有了预测，就可以和真实结果进行比较。两者之间的差距，用损失函数来衡量。这个误差告诉网络，它这次猜得有多离谱，也指明了需要改进的方向。如果没有这一步，网络就不知道自己哪里做错了。
接下来才是反向传播真正发挥作用的地方。误差会从输出层开始，沿着网络反向传回去。每一层都会根据误差来调整自己的权重，调整的目标只有一个，就是让整体误差变小。这个过程通常配合梯度下降来完成，本质上是在不断寻找更合适的参数组合。
在多层网络中，误差如何高效地传回每一个权重，这就要用到链式法则。它可以帮助我们计算出每个权重对最终误差的影响大小，从而做到有针对性地更新，而不是盲目调整。这也是反向传播能够在深层网络中工作的关键原因。
从更直观的角度看，反向传播就像一次复盘。模型先做出判断，再对结果进行反思，弄清楚是哪些环节导致了错误，然后逐一修正。通过不断重复这个过程，网络的表现会逐渐稳定下来。
正因为有了反向传播，神经网络才能在大量数据中持续学习，并被应用到图像识别、语音识别等复杂任务中。可以说，它是现代深度学习能够落地的重要基础之一。
#
https://h5.video.weibo.com/show/1034:5263608083578925