Backpropagation

释义 Definition

反向传播（算法）：一种用于训练神经网络的核心方法。它通过比较模型输出与真实答案的误差，把误差信号从输出层向后逐层传回，并利用链式法则计算各层参数（权重、偏置）的梯度，从而用梯度下降等方法更新参数、降低损失函数。（在深度学习语境中常简称 backprop。）

发音 Pronunciation (IPA)

/ˌbækˌprɑːpəˈɡeɪʃən/

例句 Examples

Backpropagation helps the network learn from its mistakes.
反向传播帮助神经网络从错误中学习。

To train the model, we used backpropagation to compute gradients efficiently across many layers.
为了训练该模型，我们使用反向传播在多层网络中高效计算梯度。

词源 Etymology

Backpropagation 由 **back-**（向后）+ propagation（传播、传递）构成，字面意思是“向后传播”。在机器学习中，它指把误差（或梯度）从输出端向网络前面的层“反向传递”，以便计算每个参数对误差的贡献并进行更新。

相关词 Related Words

• Gradient
• Derivative
• Chain Rule
• Loss Function
• Optimization
• Gradient Descent
• Neural Network
• Forward Pass
• Training
• Backprop

文学与著作 Literary / Works

• Rumelhart, Hinton & Williams (1986), Learning representations by back-propagating errors（经典论文，系统推动反向传播在神经网络训练中的普及）
• Ian Goodfellow, Yoshua Bengio & Aaron Courville (2016), Deep Learning（教材中对反向传播与计算图、梯度计算有系统讲解）
• Michael A. Nielsen (2015), Neural Networks and Deep Learning（面向学习者的入门著作，直观解释反向传播的工作方式）