反向传播：错误怎么传回去

一个尴尬的问题

梯度下降要「沿坡度走」，可网络有百万个参数，怎么知道每个参数对总错误各负多少责？挨个改动再试，算到地老天荒也算不完。反向传播（backpropagation）解决的就是这个效率问题：从输出端的错误出发，顺着网络一层层往回，把「责任」按比例分给每个参数。

像接力赛的复盘

接力队输了比赛，教练从最后一棒往回复盘：最后一棒慢了 2 秒，负主要责任；第三棒交接失误，间接拖累……每个人都知道自己下次该改什么。反向传播干的就是这件事，只不过用的是微积分里的链式法则——你不需要会推公式，知道「它能高效算出每个参数的梯度」就够了。

和梯度下降的分工

两者是搭档，别搞混：反向传播负责算梯度（每个参数该往哪边调、调多少），梯度下降负责迈出那一步（真的把参数更新掉）。一次训练 = 前向算出预测 → 反向算梯度 → 下降一步，循环几万次。

常见误区

反向传播不是一种新的「学习算法」，它只是「把梯度算得又快又省内存」的技巧。真正做决定的仍然是第一章的损失函数和梯度下降——它是引擎里的变速箱，不是方向盘。

练一练：用「接力赛复盘」向家长讲清：错误如何从最后一棒往前分配责任。