后向传播
深度学习中，后向传播主要用于对模型的参数进行微调。经过多次后向传播之后，可以得到模型的最优参数组合。这个过程其实就是一个复合函数求导的过程。
举例：
定义上图模型的前向传播函数为。假设输入数据
，可得前向传播计算结果
。若把原函数改写为复合函数的形式，令
，就可以得到
。
接下来是后向传播中涉及到的计算过程。
假设在后向传播过程中需要微调的参数有3个，分别是X, Y, Z，这3个参数每轮后向传播的微调值为、
和
，这3个值计算的都是偏导数。将求偏导的步骤拆解：
首先，分别计算,
,
,
，然后计算X，Y，Z后向传播微调值，即偏导数：
- Z的偏导数：
- Y的偏导数：
- X的偏导数：
接下来看一个复杂点的例子：
假设x0=1、x1=1、b=-1，同时有对应权重值w0=0.5、w1=0.5，使用Sigmoid作为激活函数，则前向传播的计算函数为：，将参数代入函数进行计算，可得
，然后再对函数进行求导。同样，若将原函数进行化简，改写为复合函数形式求解，令
，化简后的函数为
，故
，
，然后计算x0、x1后向传播微调值：
- x0后向传播微调值：
- x1后向传播微调值：
