反向传播是什么？神经网络的错误怎么一层层传回去
一次失误，该怪哪一层的哪个旋钮
一个深层网络可能有上亿个参数，模型答错时，锅不能只甩给最后输出那一层——前面每一层的权重都参与了这次误判。反向传播要解决的，就是这桩"追责案"：把最后的总错误，按照每个参数对它的贡献，公平地分摊到网络的每一层、每一个权重头上，让它们知道各自该改多少。
一个比方：传话出错，谁的责任
想象一群人排队传一句话，到末尾已经面目全非。要追责，不能只骂最后一个人，得从结尾倒推：上一个人传给我的是什么、我又改了什么、哪一步偏差最大。反向传播干的正是这件倒推的事——它从输出端的错误出发，沿着网络原路返回，逐层算出"你这一层为这次失误贡献了多少"。
链式法则：拆解责任的数学工具
反向传播能落地，靠的是微积分里的链式法则。网络的每一层都是前一层经过一番运算得到的，错误从后往前传时，就像剥洋葱：先看输出层错多少，再乘上"这一层到下一层"的传导比例，得到本层的责任，继续往前传。一层层乘下去，最前面那些看似无关的权重，也能拿到自己那份明确的"整改清单"。
它和正向传播是一对
训练一轮其实走两遍：正向传播，数据从输入进、答案出，得到预测和错误；反向传播，错误从输出回、责任分到每个参数。正向负责"试"，反向负责"评"。两者交替，模型才会在每一轮后知道往哪调。没有正向，反向无的放矢；没有反向，正向只是在盲目试错。
为什么它这么重要
在反向传播被高效应用之前，训练深网络几乎是死路——参数太多，手动调不可能，暴力搜更不可能。反向传播让"自动、高效地为海量参数分配责任"成为现实，正是它把深度学习从理论推上了工程。今天你听到的每一次"模型又进步了"，底层都站着这套倒推追责的算法。
小结
反向传播不是什么神秘魔法，它是一套"从结果倒推责任"的公平分配机制：把总错误按贡献拆解给每一个权重，再交给优化器去修正。理解了它，你就明白深度学习为什么"学得动"——因为每一次失误，网络都知道到底是哪只手、拨错了哪颗旋钮。也正因为它把"追责"做得又准又快，今天的模型才能在不计其数的参数里持续微调。可以说，没有反向传播，深度学习只会停留在纸上谈兵；它是让整座训练大厦真正能动工的那根桩。理解它，你就不必把深度学习想得太神秘——它不过是把"谁该为错误负责"算得明明白白。
