From e4877a1e0d303ad7e9eeba744901adb328e63b6f Mon Sep 17 00:00:00 2001
From: FNS Service <fns@email.com>
Date: Tue, 28 Apr 2026 09:41:43 +0800
Subject: [PATCH] Update from Sync Service

---
 wiki/Resources/方法论/反向传播.md | 59 +++++++++++++++++++++++++++++++
 1 file changed, 59 insertions(+)
 create mode 100755 wiki/Resources/方法论/反向传播.md

diff --git a/wiki/Resources/方法论/反向传播.md b/wiki/Resources/方法论/反向传播.md
new file mode 100755
index 0000000..b6b2708
--- /dev/null
+++ b/wiki/Resources/方法论/反向传播.md
@@ -0,0 +1,59 @@
+---
+created: 2026-04-28
+type: concept
+tags: [反向传播，神经网络，梯度下降，深度学习]
+---
+
+# 反向传播（Backpropagation）
+
+> 神经网络训练的核心算法，通过链式法则计算梯度
+
+## 定义
+
+反向传播（Backpropagation，简称 BP）是一种用于训练[[神经网络]]的算法。它通过计算损失函数对每个权重的梯度（偏导数），使得网络可以沿梯度下降方向更新参数。
+
+## 核心思想
+
+```
+前向传播：输入 → 网络 → 输出 → 计算损失
+反向传播：损失 → 链式法则 → 每个权重的梯度 → 更新权重
+```
+
+## 数学基础
+
+链式法则（Chain Rule）：
+
+```
+∂L/∂w = ∂L/∂output × ∂output/∂hidden × ∂hidden/∂w
+```
+
+即：损失对权重的梯度 = 各层梯度的乘积
+
+## 工作流程
+
+1. **前向传播**：数据通过网络，计算输出
+2. **计算损失**：比较预测值与真实值
+3. **反向传播**：从输出层向输入层逐层计算梯度
+4. **更新权重**：沿梯度反方向更新参数
+
+## 为什么叫"反向"？
+
+- 前向传播：从输入到输出（推理方向）
+- 反向传播：从输出到输入（梯度计算方向）
+
+## 关键挑战
+
+| 问题 | 说明 | 解决方案 |
+|------|------|---------|
+| 梯度消失 | 深层网络中梯度越来越小 | ReLU、残差连接 |
+| 梯度爆炸 | 梯度变得过大 | 梯度裁剪、归一化 |
+
+## 相关概念
+
+- [[神经网络]]（反向传播的应用对象）
+- [[机器学习]]（反向传播是其中的训练算法）
+- [[Transformer 架构]]（现代网络中的反向传播实现）
+
+---
+
+*基于深度学习基础知识整理*
\ No newline at end of file