为什么叫做反向传播

反向传播（Back Propagation）

原：https://www.cnblogs.com/MrPan/p/9502869.html

    通常在设计好一个神经网络后，参数的数量可能会达到百万级别。而我们利用梯度下降去跟新参数的过程如（1）。但是在计算百万级别的参数时，需要一种有效计算梯度的方法，这种方法就是反向传播（简称BP）， 因此BP并不是一种新的算法，使用BP就是能够使计算梯度时更加有效率。

                                 

  其中θ为神经网络的参数，为梯度。

链式法则

   设有两个函数为y=g(x),z=h(y)，那么要计算z对x导数，则计算过程如（2）

   

     设有三个函数为x=g(s),y=h(s),z=k(x,y)，那么要计算z对x导数，则计算过程如（3）

   

BP计算过程

    假定我们设计的神经网络结构如图1-1所示，其中yj神经网络为输出值，dh为隐藏层神经元的输出值，xi为输入值，bj、mh分别是隐藏层和输出层神经元的偏置；

图1-1 神经网络结构

     设神经网络的损失函数为L(θ)（L(θ)具体的结构根据实际情况来确定，θ表示所有参数）；wjh的更新形式为

      

   由于wjh是通过影响，继而影响yj，最终影响L(θ)。因此wjh的更新计算可以通过（2）的链式法则进行展开。

      

    其中，需要在确定激活函数和损失函数的具体结果后才就可以进行微分。而则可以在神经网络前向传播的过程中就可以计算，因此这一项的计算是自下向上，因此也称作forward pass。

   类比于wjh的更新情况，bj的更新计算为

  再计算vhi的的更新情况，跟wjh的更新情况没有太大差别。vhi通过影响输入，继而影响dh，dh通过影响所有的输出层神经元的输入，继而影响输出值Y={y1,y2,...yl}，最终影响L(θ)，因此需要运用（3）进行链式法则展开

          

 

 其中（8）中的跟计算的部分项相同。因此，要计算下层参数的微积分，就需要计算上层参数的微积分。整个参数的更新计算自上向下，这个计算过程也称作backward pass。