反向傳播
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。
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。當你理解它時，其他人工智慧主題就變得更容易評估和比較。
深入探討
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。反向傳播回答了一個關鍵問題：數百萬個權重中的每一個應該如何改變以減少誤差？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。
技術洞察
反向傳播分兩次進行。前向傳遞計算預測並保存中間激活。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。然後將得到的梯度交給梯度下降等優化器來更新權重。
掌握反向傳播
為了加深理解，請將反向傳播視為一種操作模型，而不是單一功能。定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用反向傳播的強大團隊首先建立強大的概念模型，然後將這些模型映射到實際的生產限制。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它可以幫助您將清晰的技術聲明與行銷語言分開。同時，不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它可以幫助您將清晰的技術聲明與行銷語言分開。
它可以幫助您將清晰的技術聲明與行銷語言分開。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
在花費金錢或時間之前，您可以提出更好的實施問題。
在花費金錢或時間之前，您可以提出更好的實施問題。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
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
透過反向傳播預測下一個單字的誤差，對公司文件的大型語言模型進行微調
教導自動駕駛汽車的視覺網路以減少模擬過程中的轉向角預測誤差
更新推薦模型的嵌入，以便更好地預測用戶將點擊哪些電影
實施模式
反向傳播實踐
訓練影像分類器，使其在每批照片後逐漸調整濾鏡以識別貓和狗。
當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
反向傳播實踐
透過反向傳播預測下一個單字的錯誤，對公司文件的大型語言模型進行微調。
當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
反向傳播實踐
教授自動駕駛汽車的視覺網絡，以減少模擬過程中的轉向角預測誤差。
當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
反向傳播實踐
更新推薦模型的嵌入，以便更好地預測用戶將點擊哪些電影。
當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。
基準測試可能看起來很強大，但實際效能卻參差不齊。
忽視數據品質和評估計劃通常會產生脆弱的結果。
實施路線圖
從您需要的結果的簡單語言定義開始。
將此視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在測試之前選擇一種成功指標和一種失敗條件。
將此視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用代表性資料運行小型試點，而不是完善的演示集。
將此視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
記錄反向傳播在哪些方面有幫助以及哪些更簡單的方法更好。
將此視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
不斷探索
Check your understanding
Test yourself: take the Backpropagation quiz