反向传播

现在，我们准备好训练神经网络了。为此，我们将使用一种方法，叫做反向传播。简而言之，反向传播将包括：

• 进行前向反馈运算。
• 将模型的输出与期望的输出进行比较。
• 计算误差。
• 向后运行前向反馈运算（反向传播），将误差分散到每个权重上。
• 更新权重，并获得更好的模型。
• 继续此流程，直到获得很好的模型。

听起来比较复杂，实际上要简单些。我们看看后续几个视频。第一个视频将从概念上解释什么是反向传播。

反向传播数学

后面的几个视频将深入讲解数学知识。如果不想听也没有关系，现有的很多代码库和深度学习框架比如 Keras，能够很好并且很简单地完成这个任务。如果你想立即开始训练网络，请转到下个部分。但是如果你喜欢计算各种导数，那么我们深入了解下吧！

纠正：1‘左右，Multi-layer Perceptron 中 第二层级的 输出 不会影响第三层级的bias。

链式法则

我们需要复习下链式法则，以便计算导数。

修正：

视频中0:58中的右侧前两个公式有误，应更正为：

h_1 = W^1_{11} x_1 + W^{1}{21} x{2} + W^1_{31}

h_2 = W^1_{12} x_1 + W^{1}{22} x{2} + W^1_{32}

视频2:56s处字幕“乘以 hi相对于W11 的导数”，需改为“乘以 h1 相对于W11的导数”

计算 sigmoid 函数的导数

回想一下，sigmoid 函数有一个完美的导数，我们可以在下面的计算中看到。这将使我们的反向传播步骤更加简洁。