反向传播
Backpropagation
学到 认得 就够：听到能明白
你可能会说
“我在模型训练流程里看到反向传播，它是在倒过来生成答案吗？”
反向传播利用链式法则，从损失向前面的计算模块逐步求参数梯度。它告诉优化器误差如何对各参数敏感；真正修改参数还需要单独的更新步骤。
使用 AI
科研里的例子
给已训练模型一段访谈并得到标签时，通常只需前向计算；只有进一步算损失并更新参数，才发生训练适配。
前向计算先得到表示、预测与损失，反向计算再沿计算图逆序累计导数。中间结果常需保留，以便高效计算，这也是训练内存高于只做预测的原因之一。反向传播本身不指定学习率或更新算法，也不保证算出的方向对应有效研究目标。理解前向、反向与参数更新的区分，可以避免把每次模型输出都当作它在重新学习，也能读懂冻结参数和适配器训练的含义。
判断
亲手检查一次
对 y=w1×w2、损失 L=(y-1)^2 手算两个参数的导数，再按链式法则逐步核算，区分求梯度与更新动作。
它做不到的
反向传播是求导技术，梯度下降是更新策略，二者相关但不等同；梯度存在也不保证模型已更新。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。