误差反向传播（Back-propagation, BP）算法的出现是神经网络发展的重大突破，也是现在众多深度学习训练方法的基础。该方法会计算神经网络中损失函数对各参数的梯度，配合优化方法更新参数，降低损失函数。
BP本来只指损失函数对参数的梯度通过网络反向流动的过程，但现在也常被理解成神经网络整个的训练方法，由误差传播、参数更新两个环节循环迭代组成。
本文将以最基础的全连接深度前馈网络为例，详细展示Back-propagation的全过程，并以Numpy进行实现。
图1 神经元为层/权重为层
通常我们以神经元来计量“层”，但本文将权重抽象为“层”，个人认为这样更有助于反向传播的理解和代码的编写。如上图所示的网络就被抽象为两个中间层、一个输出层的结构。
简而言之，神经网络的训练过程中，前向传播和反向传播交替进行，如下图所示：前向传播通过训练数据和权重参数计算输出结果；反向传播通过导数链式法则计算损失函数对各参数的梯度，并根据梯度进行参数的更新，这一点是重点，会在后文详叙。
图2 前向传播&反向传播
前向传播
每层中前向传播的过程如下所示，很简单的矩阵运算。我们将权重作为层，中间层和输出层均可用Layer类来表示，只是对应的激活函数不同。如图2所示，每一层的输入和输出都是
，且前一层的输出是后一层的输入。
class Layer:
‘’‘中间层类’‘’
self.W # (input_dim, output_dim)
self.b # (1, output_dim)
self.activate(a) = sigmoid(a)/tanh(a)/ReLU(a)/Softmax(a)
def forward(self, input_data): # input_data: (1, input_dim)
'''单个样本的前向传播'''
input_data · self.W + self.b = a # a: (1, output_dim)
h = self.activate(a) # h: (1, output_dim)
return h
损失对参数梯度的反向传播可以被这样直观解释：由A到传播B，即由
得到
，由导数链式法则
实现。所以神经网络的BP就是通过链式法则求出
对所有参数梯度的过程。
如上图示例，输入
，经过网络的参数
，得到一系列中间结果
。
表示通过权重和偏置的结果，还未经过激活函数，
表示经过激活函数后的结果。灰色框内表示
对各中间计算结果的梯度，这些梯度的反向传播有两类：
由
到
，通过激活函数，如右上角
由
到
，通过权重，如橙线部分
可以看出梯度的传播和前向传播的模式是一致的，只是方向不同。
计算完了灰色框的部分（损失对中间结果
的梯度），损失对参数
的梯度也就显而易见了，以图中红色的
和
为例：
因此，我们可以如图2，将反向传播的表达式和代码如下。
注意代码和公式中
表示element-wise乘积，
表示矩阵乘积。
class Layer:
‘’‘中间层类’‘’
self.W # (input_dim, output_dim)
self.b # (1, output_dim)
self.activate(a) = sigmoid(a)/tanh(a)/ReLU(a)/Softmax(a)
def forward(self, input_data): # input_data: (1, input_dim)
'''单个样本的前向传播'''
input_data · self.W + self.b = a # a: (1, output_dim)
h = self.activate(a) # h: (1, output_dim)
return h
def backward(input_grad):
'''单个样本的反向传播'''
a_grad = input_grad * activate’(a) # (1, output_dim)
b_grad = a_grad # (1, output_dim)
W_grad = (input_data.T) · a_grad # (input_dim, output_dim)
self.b -= learning_rate * b_grad
self.W -= learning_rate * W_grad
return a_grad · (self.W).T # (1, input_dim)
输出层的反向传播略有不同，因为在分类任务中输出层若用到softmax激活函数，
到
不是逐个对应的，如下图所示，因此
中的element-wise相乘是失效的，需要用
乘以向量
到向量
的向量梯度（雅可比矩阵）。
但实际上，经过看上去复杂的计算后输出层
会计算出一个非常简洁的结果:
以分类任务为例（交叉熵损失、softmax、训练标签
为one-hot向量其中第
维为1）：
）
）
以回归任务为例（二次损失、线性激活、训练标签
为实数向量）：
因此输出层反向传播的公式和代码可以写成如下所示：
class Output_layer(Layer):
‘’‘属性和forward方法继承Layer类’‘’
def backward(input_grad):
'''输出层backward方法'''
'''单个样本的反向传播'''
a_grad = input_grad # (1, output_dim)
b_grad = a_grad # (1, output_dim)
W_grad = (input_data.T) · a_grad # (input_dim, output_dim)
self.b -= learning_rate * b_grad
self.W -= learning_rate * W_grad
return a_grad · (self.W).T # (1, input_dim)
除非用随机梯度下降，否则每次用以训练的样本都是整个batch计算的，损失函数
则是整个batch中样本得到损失的均值。
在计算中会以向量化的方式增加运算效率，用batch_size表示批的规模，代码可更改为：
class Layer:
‘’‘中间层类’‘’
def forward(self, input_data): # input_data: (batch_size, input_dim)
'''batch_size个样本的前向传播'''
input_data · self.W + self.b = a # a: (1, output_dim)
h = self.activate(a) # h: (1, output_dim)
return h
def backward(input_grad): # input_grad: (batch_size, output_dim)
'''batch_size个样本的反向传播'''
a_grad = input_grad * activate’(a) # (batch_size, output_dim)
b_grad = a_grad.mean(axis=0) # (1, output_dim)
W_grad = (a_grad.reshape(batch_size,1,output_dim)
* input_data.reshape(batch_size,input_dim,1)).mean(axis=0)
# (input_dim, output_dim)
self.b -= lr * b_grad
self.W -= lr * W_grad
return a_grad · (self.W).T # output_grad: (batch_size, input_dim)
class Output_layer(Layer):
‘’‘输出层类：属性和forward方法继承Layer类’‘’
def backward(input_grad): # input_grad: (batch_size, output_dim)
'''输出层backward方法'''
'''batch_size个样本的反向传播'''
a_grad = input_grad # (batch_size, output_dim)
b_grad = a_grad.mean(axis=0) # (1, output_dim)
W_grad = (a_grad.reshape(batch_size,1,output_dim)
* input_data.reshape(batch_size,input_dim,1)).mean(axis=0)
# (input_dim, output_dim)
self.b -= learning_rate * b_grad
self.W -= learning_rate * W_grad
return a_grad · (self.W).T # output_grad: (batch_size, input_dim)
这里比较易错的地方是什么时候求均值，对
求均值还是对
求均值：梯度在中间结果
上都不需要求均值，对参数
的梯度时才需要求均值。
https://github.com/qcneverrepeat/ML01/blob/master/BP_DNN.ipynb
github.com/qcneverrepeat/ML01/blob/master/BP_DNN.ipynb
模拟一个三层神经网络的训练