前向传播和反向传播（以简单神经网络为例）

在神经网络模型中包括前向传播和反向传播

那么究竟什么是前向传播，什么是反向传播呢

前向传播：说的通俗一点就是从输入到得到损失值的过程，当然不仅仅是这么简单，中间还经过了一些处理，那么这些处理包括什么呢：

1：从输入层开始：假设是一个形状是（2，3）

2：经过权重参数（w（3，取决你的中间隐层1的形状）偏置参数（b)的处理后再经过一个激活函数处理得到中间隐层1，

3：同理再经过第二个参数处理和激活函数得到中间隐层2

4：最后在通过输出处理得到输出（也就是样本值也成为预测值）

5：通过定义一个损失函数得到一个损失值

        1）定义损失函数的方式有很多，不同的模型对应的损失函数的方法不同

        2）对于线性回归模型（包括多元线性回归）通用的方法就是最小二乘法

        3）对于分类性问题，一般采用交叉熵的方式

这个过程就是前向传播的过程；

至于反向传播，说的通俗一点就是通过损失函数的值不断调参的过程；

反向传播的起点就是从loss函数开始的；

通过一个优化器和指定学习率，然后通过最小化损失值来求出最佳的参数

这个就是反向传播的过程了，当然其中一些具体的步骤：包括链式法则，门单元的处理方式（包括，加法，乘法，max等）的处理方式：

其实说白了，反向传播的过程就是一个求偏导数（其实就是求导，就是除了未知量，其他都是常数）的过程，如果有激活函数

激活函数也要求导；

   图有点丑，将就看吧；

在像tensorflow的框架中，反向传播过程是特别简单的，自己都不需要写，框架已经帮我们封装好了，但是在没有框架的情况下呢；举一个简单的例子看图：

注意上面的对w2求偏导数的y是out值，不是loss值，但是loss值是可以和out值相乘后进入反向传播的过程的；

这是乘法的例子：对于乘法门单元，就相当于互换，当是加法时是均值分配，当是max时给最大的

本人拙见，有错误请斧正！