概述
反向传播是一种算法，它可以让神经网络通过有效计算每个权重对错误的贡献程度来从错误中学习。它是几乎所有现代深度学习训练背后的引擎。
反向传播位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
当神经网络进行预测时，它会产生一些由损失函数测量的误差。反向传播回答了一个关键问题：数百万个权重中的每一个应该如何改变以减少误差？它通过应用微积分中的链式法则，从输出层向后推向输入层来实现这一点。误差信号通过网络传回，算法在每一层计算梯度、每个权重应该移动的方向和数量。 Rumelhart、Hinton 和 Williams 在 1986 年推广的关键见解是中间结果可以重复使用，从而提高计算效率。如果没有反向传播，训练具有数十亿参数的深度网络在计算上将是毫无希望的。
技术洞察
反向传播分两次进行。前向传递计算预测并保存中间激活。向后传递应用链式法则：它逐层乘以局部导数，传播相对于每个权重的损失梯度。至关重要的是，它缓存并重用偏导数，而不是重新计算它们，因此成本与一次前向传递大致成正比。然后将得到的梯度交给梯度下降等优化器来更新权重。
掌握反向传播
反向传播是一种算法，它可以让神经网络通过有效计算每个权重对错误的贡献程度来从错误中学习。它是几乎所有现代深度学习训练背后的引擎。反向传播位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将反向传播视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用反向传播的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
训练图像分类器，使其在每批照片后逐渐调整过滤器以识别猫和狗
通过反向传播预测下一个单词的误差，对公司文档的大型语言模型进行微调
教授自动驾驶汽车的视觉网络以减少模拟过程中的转向角预测误差
更新推荐模型的嵌入，以便更好地预测用户将点击哪些电影
实施模式
反向传播实践
训练图像分类器，使其在每批照片后逐渐调整过滤器以识别猫和狗。
训练图像分类器，使其在每批照片后逐渐调整过滤器以识别猫和狗。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会得到更好的结果。
反向传播实践
通过反向传播预测下一个单词的错误，对公司文档的大型语言模型进行微调。
通过反向传播预测下一个单词的错误来微调公司文档上的大型语言模型当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
反向传播实践
教授自动驾驶汽车的视觉网络，以减少模拟过程中的转向角预测误差。
教授自动驾驶汽车的视觉网络以减少模拟过程中的转向角预测错误当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
反向传播实践
更新推荐模型的嵌入，以便更好地预测用户将点击哪些电影。
更新推荐模型的嵌入，以便更好地预测用户将点击哪些电影。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录反向传播在哪些方面有帮助以及哪些更简单的方法更好。
记录反向传播在哪些方面有帮助以及哪些更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。