反向传播求偏导原理简单理解

神经网络中用反向传播求偏导数的思想就相当于复合函数求偏导。

从头说起，在学生时代我们要求下面式子中，函数$e(a,b)$对a和b的偏导数：
$$e=(a+b)\ast (b+1)$$

$\frac{\partial e}{\partial a}=?$

$\frac{\partial e}{\partial b}=?$

传统的求偏导方法就是用解析式直接求偏导即可。

但如果随着函数复合的层数增多，对应的就是神经网络的层数增多，总体的解析式也会变得极其复杂，这个时候想一步求出偏导数是不可能的，只能通过反向传播法来求偏导数。

反向传播的核心就是计算图，其数学原理就是链式法则求偏导数

$e=(a+b)\ast (b+1)$的计算图如下表示，对应的就相当于神经网络图，每个节点都是原式中的一个小小的原子操作，也就是加减乘除等操作，对应的就相当于神经网络中每个结点的计算：

从结点a和结点b开始，顺着箭头计算，直到算出结果e，这就是前馈计算的过程，也就是前向传播计算。

其实，我们在前馈计算的过程中，完全可以计算每个中间结点对上一个节点的偏导数。

比如在前馈计算c=a+b时，我们可以顺道算出$\frac{\partial c}{\partial a}$和$\frac{\partial c}{\partial b}$；

在计算d=b+1时，逆着箭头计算出$\frac{\partial d}{\partial b}$($\frac{\partial d}{\partial 1}=0$，所以可以省略)；

在计算e=c*d时，逆着指向它的两个箭头计算出$\frac{\partial e}{\partial c}$和$\frac{\partial e}{\partial d}$。

最后，根据数学上的链式法则求偏导：

链式法则：路径上的偏导数做乘法，不同路径上的做加法。比如，从a到e的路径只有一条，其路径上的所有偏导数做乘法；从b到e上的路径有两条，每条路径上的偏导数做乘法，最后不同路径的结果做加法。如下所示：

$\frac{\partial e}{\partial a}=\frac{\partial e}{\partial c}\cdot \frac{\partial c}{\partial a}$

$\frac{\partial e}{\partial b}=\frac{\partial e}{\partial c}\cdot \frac{\partial c}{\partial b}+\frac{\partial e}{\partial d}\cdot \frac{\partial d}{\partial b}$

至此，仅需在前馈计算的过程中，我们就能顺道求出复合函数e(a,b)的偏导数。

后续就是做函数优化等等了。