反向传播

反向传播是神经网络提升自身性能的一种基本方法。对于每一批训练数据，神经网络会在网络中进行一次“前向传播”。之后，从输出层开始反向推导，计算每一层中每个神经元的梯度。根据这些梯度，朝着能使损失函数最小化的方向对神经元的权重进行微调。经过数百万次这样的迭代过程，神经网络逐渐优化，进而“学习”如何更好地拟合训练数据。