深度学习入门课程学习笔记06 反向传播
反向传播：
咱们在之前的课程讲了一系列的前向传播的知识点，前向传播也就是从输入到最终计算出LOSS值这一系列过程，那么这节课咱们要讲一个更重要的知识点也就是反向传播。反向传播最直观的意思就是说咱们要从LOSS值入手一步步的往回看，看什么呢？就是要看咱们的每一个权重参数对最终的LOSS值做了多大的贡献。
最简单的小例子
首先咱们用一个最简单的小例子来看一下反向传播是怎么一回事，如上图最终的LOSS值等于-12下面咱们就要算对于X,Y,Z三个输入来说分别对于LOSS值做了多大的贡献，首先咱们用q=x+y，f=qz分别表示中间的计算过程。那么咱们要算什么呢？反向传播最终要算的就是最终的LOSS值对X,Y,Z三个输入的偏导数，这个偏导数该怎么算呢？在这里我们遵循一个链式法则也就是对于输入来说他对于最终LOSS的贡献等于他前面传播下来的梯度再乘以自身的梯度。
链式法则
这里就是梯度传播的计算方式，我们要算X和Y对于最终LOSS的贡献（换句话说就是反向传播到X和Y的梯度的大小）要先算前面一层传播到X和Y的梯度再去计算X和Y自身的梯度。
稍难的例子
咱们再来看一个稍微难一些的例子，上图表示的是咱们之前说过的这个SIGMOID函数，咱们接下来要算的就是这个函数梯度传播的过程，导数计算的公式我已经写在图上了，咱们只需要根据导数的计算方式一步步的从最终的LOSS值往回算就可以了，下面浅红色的值就是梯度传播的值。
这里我们可以看到梯度传播可以是一步一步的传播也可以一步传播一整块，这一整块我们把它当做是一个整体，相应的就要计算这一整个块的梯度了，也就是直接对SIGMOID函数求导。
梯度传播的门
这里咱们所说的门就是一个单位区域，我们可以从图中看出来咱们在计算梯度传播的过程中无外乎就是这几种门的操作，每种门也都有它各自的特性，他们的特性是怎么得出的呢？这里就不带大家一步步算了，咱们可以动动笔算一下梯度的传播然后就知道为什么这些门有不同的特性了。
反向传播就先说到这里了，这里只是很简单的谈了一下反向传播具体的计算过程如果同学们还是不太理解建议看一下原始课程会有很详细的推导。
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在数据分析中，“正态分布” 是许多统计方法（如 t 检验、方差分析、线性回归）的核心假设 —— 数据符合正态分布时，统计检验的 ...
2025-10-28箱线图（Box Plot）作为展示数据分布的核心统计图表，能直观呈现数据的中位数、四分位数、离散程度与异常值，是质量控制、实验分 ...
2025-10-28在 CDA（Certified Data Analyst）数据分析师的工作中，“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域，单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布，却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合，理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA（Certified Data Analyst）数据分析师而言，“假设检验” 绝非 “套用统计公式的机械操作”，而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中，“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”，直接决定了运营动作 ...
2025-10-24在卷积神经网络（CNN）的训练中，“卷积层（Conv）后是否添加归一化（如 BN、LN）和激活函数（如 ReLU、GELU）” 是每个开发者都 ...
2025-10-24在数据决策链条中，“统计分析” 是挖掘数据规律的核心，“可视化” 是呈现规律的桥梁 ——CDA（Certified Data Analyst）数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上，Python 凭借其丰富的科学计算库（NumPy、FilterPy）、深度学习框架（PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域，“状态估计” 是核心任务 —— 即从含噪声的观测数据中，精准推断系统的真 ...
2025-10-23在数据分析全流程中，“数据清洗” 恰似烹饪前的食材处理：若食材（数据）腐烂变质、混杂异物（脏数据），即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域，“大模型” 已成为近年来的热点标签：从参数超 1750 亿的 GPT-3，到万亿级参数的 PaLM，再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中，“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中，“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中，订单数据分散 ...
2025-10-22在神经网络设计中，“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”（模型无法捕捉复杂数据规律，如用单隐 ...
2025-10-21在特征工程流程中，“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度，剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中，“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA（Cert ...
2025-10-21在实际业务数据分析中，我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额（少数用户单次消费上万元，多数集 ...
2025-10-20在数字化交互中，用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”，到内容 APP 的 “点击短 ...
2025-10-20
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
