如何理解神经网络里的反向传播

1. 反向传播的底层原理是数学求导里的链式法则，有空再补充
2. 一般讲反向传播都离不开神经网络，然后就得有公式和结构图。OK。
3. 公式占坑。
4. 结构图：

6. 简单的问题容易被复杂的公式和结构图搞的很复杂，作为行动主义者的程序员，上代码。

# -*- coding: utf-8 -*-
import numpy as np

# N is batch size; D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10

# Create random input and output data
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)

# Randomly initialize weights
w1 = np.random.randn(D_in, H)
w2 = np.random.randn(H, D_out)

learning_rate = 1e-6
for t in range(500):
    # Forward pass: compute predicted y
    h = x.dot(w1)
    h_relu = np.maximum(h, 0)
    y_pred = h_relu.dot(w2)

    # Compute and print loss
    loss = np.square(y_pred - y).sum()
    print(t, loss)

    # Backprop to compute gradients of w1 and w2 with respect to loss
    grad_y_pred = 2.0 * (y_pred - y)
    grad_w2 = h_relu.T.dot(grad_y_pred)
    grad_h_relu = grad_y_pred.dot(w2.T)
    grad_h = grad_h_relu.copy()
    grad_h[h < 0] = 0
    grad_w1 = x.T.dot(grad_h)

    # Update weights
    w1 -= learning_rate * grad_w1
    w2 -= learning_rate * grad_w2

代码输出：

0 30881721.849453412
1 26332420.603093866
2 25343611.656898543
...
497 3.244266870193699e-08
498 3.07517018256869e-08
499 2.9149032554917302e-08

代码说明：

• 代码实际是中间包含1个隐层的神经网络，激活函数是relu。
• 反向表现在最终误差的反向传播，最直接的误差能用来更新w2，反向发力后，w1得到了更新，最终整个结构得到完美更新。

所以？ 反向传播这么麻烦，要自己搞出求导公式，然后代码实现？网络层数多了，更复杂了可怎么办？==》tensorflow、pytorch都有自动求导。
done!