05 · 反向传播 · 纠错收敛之道

学习状态：80分封存 · 待后续温故知新，逐步生长至99分

---

一、核心定义

反向传播是深度学习过程中，通过标签对照计算损失值，根据误差反向追溯， 能够自主调节权重的一种纠错机制，从而驱动神经网络持续学习收敛。 —— 0302，80 分封存版

反向传播，是神经网络的纠错机制，正向传播得出预测后，计算预测与目标之间的差距（Loss），再从输出层反向逐层传递误差，通过梯度下降，有方向地调整每层权重，不断迭代，直到Loss最小化。 —— 在自我总结后，衍 纠正版

二、完整学习闭环

1. 前向传播

• ● 信号矩阵输入
• ● 加权求和 + 激活函数
• ● 以 pipe 形式层层传递推衍
• ● 得出结果

2. 损失函数 Loss Function

• ● 将结果与标签对照
• ● 计算差距，得出损失值
• ● 损失越大 → 答得越错
• ● 损失越小 → 答得越准

3. 反向传播 Backpropagation

• ● 沿误差反向追溯
• ● 找到是哪一层、哪一个权重出了偏差
• ● 对该权重进行微调

4. 梯度下降

• ● 沿误差的坡度，往最低点一步步走
• ● 脚下坡度 = 误差对权重的变化率
• ● 循环往复，直到收敛

三、关键概念

概念	说明
标签 Label	训练数据的正确答案，机器的认知标准。图片 + 标签 = 一条训练数据
损失值 Loss	答案与标签的差距，驱动反向传播的信号
收敛	损失值不再下降，训练停止，模型学成
局部最优解 Local Minimum	只缘身在此山中，以为到了山脚，实则是小低谷。随机梯度下降可部分应对

四、易经映射

机器学习	易经映射
推衍得出结果	推出乾卦 ☰
与标签对照，发现误差	实际应是坤卦 ☷，差了六爻
反向追溯，找到偏差权重	回头看哪一爻的权重设错了
梯度下降，微调权重	微微调整那一爻
循环收敛	再推、再对照、再微调，直到推出坤卦

五、昇哥的推导路径

用自己的认知结构，重新推导出了这个机制。 这不只是笔记，这是推导的痕迹。

昇哥的直觉	对应机制
反馈是关键，课堂答错了老师会纠正	损失函数
人类不可能干预，机器如何自主纠错？	反向传播
反复确认，多条路径推衍同一结果	梯度下降

六、优化空间（通往99分）

当前 · 80分

• ● 完整描述了纠错机制
• ● 涵盖：标签、损失值、反向追溯、自主调节

80分 → 90分的空洞

• ● 追溯之后做了什么，尚未说清
• ● 补充：微调权重（梯度下降）
• ● 补充：循环收敛的过程

90分 → 99分

• ● 待概念篇学习完后，温故知新，自然生长
• ● 99分是知止的智慧——田获三品，不必穷追 ☴

"只有形式上的100分，我们不追求100分。 100分那刻，就是田获三品。" —— 昇哥