前向传播是输入数据逐层计算得到预测输出的过程，反向传播则基于链式法则将损失梯度从输出层逐层回传以更新参数；二者构成“预测→计算损失→回传梯度→更新参数”的训练闭环。

前向传播和反向传播是深度学习模型训练的核心机制。理解它们，等于摸清了神经网络“怎么学”和“怎么改”的底层逻辑。

前向传播：数据怎么流过网络

前向传播就是输入数据从输入层出发，逐层经过加权求和、偏置相加、激活函数变换，最终得到预测输出的过程。它不更新参数，只做一次“推理推演”。

关键步骤包括：

• 每一层计算 z = W·x + b（线性组合）
• 再通过激活函数（如ReLU、Sigmoid）得到该层输出：a = f(z)
• 上一层的输出作为下一层的输入，直到输出层

例如，一个两层全连接网络：输入 x → 隐层 z₁=W₁x+b₁ → a₁=ReLU(z₁) → 输出层 z₂=W₂a₁+b₂ → ŷ=sigmoid(z₂)，ŷ 就是模型当前的预测结果。

立即学习“Python免费学习笔记（深入）”；

反向传播：误差怎么回传并更新参数

反向传播基于链式法则，把损失函数对每个参数的梯度从输出层逐层“倒着”算回来。有了梯度，就能用优化器（如SGD、Adam）更新权重和偏置。

核心逻辑是：

• 先计算损失 L（比如交叉熵或均方误差）相对于输出 ŷ 的梯度 ∂L/∂ŷ
• 再逐层乘上本层激活函数导数、前一层输出等中间项，回传到 ∂L/∂W 和 ∂L/∂b
• 最终用 W ← W − η·∂L/∂W 更新参数（η 是学习率）

PyTorch 或 TensorFlow 会自动构建计算图并完成梯度计算，但手动推一遍单层的反向传播（比如线性层+ReLU）能极大加深理解。

为什么必须两者配合？

只做前向传播，模型永远不知道自己错在哪；只算梯度不前向，就没有误差信号可传播。二者构成一个闭环：前向给出预测 → 比较真实标签得损失 → 反向算出改进方向 → 参数更新 → 下一轮前向……

这个循环反复进行，模型才逐渐收敛。训练卡住、梯度爆炸/消失、loss不下降等问题，往往都能从前向或反向的某一步异常中找到线索。

动手小提示：用NumPy写个极简两层网络

不依赖框架，纯用NumPy实现前向+反向，是检验理解是否到位的好方法。重点不是代码多优雅，而是确保：

• 前向每层的形状对得上（比如 W.shape = (out_dim, in_dim)，x.shape = (in_dim,)）
• 反向时梯度维度匹配（∂L/∂W 应与 W 同形）
• 更新后重新前向，loss 确实缓慢下降

哪怕只跑通一个样本的完整流程，也会比读十遍公式更管用。