进一步分摊给了数据收集同事。

这个分摊的过程，每一步都是通过数学上的链式法则精确计算的。最终，每个员工都得到了一个明确的“责任分数”（梯度）。

根据每个人的“责任分数”告诉他们如何改正。例如：“a，下次收集数据时，应该更侧重x方面；b，分析逻辑应该调整y参数。”

这个“告诉”的过程就是参数更新，通常使用梯度下降算法：新参数=旧参数-学习率责任分数（梯度）。

下一次做报告时，团队就会表现得更好。反复多次，团队（神经网络）就会越来越出色。

这就是反向传播的全内容。

“反向传播？”

路明非看着上面的话语，虽然他看懂了，也知道这只不过是一个反复往前归因的过程，但是怎么看都是一个非常繁杂的神秘知识！

老唐也看傻了，哥们高中肄业，你给我整这？

“有没有一种可能，托子哥你说的这个不是中文，而是某些小众语种。”老唐呢喃自语道。

“正经中国人谁说这些啊！”老唐嘶吼。

路明非怒吼：“你也不是中国人吧！”

路明非：“……”

老唐：“……”

现场一片寂静。

而林托的意识进入到眼前的屏幕之后，效率可谓是比语音输入还要快上许多倍，他的思维所到之处，哪里就是文本的书写。

“反向传播的数学心脏是微积分中的链式法则。它解决了如何将最终输出的误差，高效地分摊给网络中成千上万个参数的问题。”

“神经网络是一个由许多复合函数嵌套组成的复杂函数。”

“损失函数衡量的是输出与目标的差异。”

“我们想知道的是：‘损失函数关于每一个权重参数的变化率是多少？’（即梯度）。”

“链式法则允许我们从输出层开始，一层一层地、递归地将误差梯度向后传递，直到最初的输入层。每一层只需要计算局部梯度，然后乘以从后面传过来的梯度即可。”

“这个过程之所以强大，是因为它避免了对每个参数进行单独、重复的复杂计算，而是用系统化的方式一次算出所有参数的梯度，效率极高。”

“……”

林托呢喃自语，声音无比轻灵，像是光里柔和的天使，又像是慈悲的神明。

路明非和老唐顿时意识到这玩意儿是天阶功法，没准他们两个之后还有可能会用到，顿时露出了欣喜若狂的神色。

而林托这边倒也不是完全依靠着自己的想法来，而是跟随着正向传播的定义来进行理解。

正向传播即就是从输入到隐藏层到输出。

没有正向传播，就没有误差；没有反向传播，就无法知道如何减少误差。

反向传播的重要性，同样倚靠其高效。

它巧妙地利用链式法则，一次反向传播就能计算出网络中所有权重和偏置的梯度，计算复杂度与正向传播相当。

而且通用性同样拉满，它是一个通用框架，只要网络组件层、网络组件激活函数是可微分的，就可以融入这个框架进行训练。

而也正是反向传播的出现，使得训

章节内容不完整，请退出阅读模式查看完整内容！