链式法则（Chain Rule）
\(z=h(y),y=g(x)\to\frac{dz}{dx}=\frac{dz}{dy}\frac{dy}{dx}\)
\(z=k(x,y),x=g(s),y=h(s)\to\frac{dz}{ds}=\frac{dz}{dx}\frac{dx}{ds}+\frac{dz}{dy}\frac{dy}{ds}\)
反向传播算法（Backpropagation） 变量定义如下图所示，设神经网络的输入为\(x^n\)，该输入对应的label是\(\hat y^n\)，神经网络的参数是\(\theta\)，神经网络的输出是\(y^n\)。
整个神经网络的Loss为\(L(\theta)=\sum_{n=1}^{N}C^n(\theta)\)。假设\(\theta\)中有一个参数\(w\)，那\(\frac{\partial L(\theta)}{\partial w}=\sum^N_{n=1}\frac{\partial C^n(\theta)}{\partial w}\)。
如下图所示，\(z=x_1w_1+x_2w_x+b\)，根据链式法则可知\(\frac{\partial C}{\partial w}=\frac{\partial z}{\partial w}\frac{\partial C}{\partial z}\)，其中为所有参数\(w\)计算\(\frac{\partial z}{\partial w}\)是Forward Pass、为所有激活函数的输入\(z\)计算\(\frac{\partial C}{\partial z}\)是Backward Pass。
Forward PassForward Pass是为所有参数\(w\)计算\(\frac{\partial z}{\partial w}\)，它的方向是从前往后算的，所以叫Forward Pass。
以一个神经元为例，因为\(z=x_1w_1+x_2w_x+b\)，所以\(\frac{\partial z}{\partial w_1}=x_1,\frac{\partial z}{\partial w_2}=x_2\)，如下图所示。
<img src="https://images.cnblogs.com/cnblogs_com/chouxianyu/1511971/o_201108071142ForwardPass1.jpg" alt="Forward Pass1" " />
规律是：该权重乘以的那个输入的值。所以当有多个神经元时，如下图所示。
<img src="https://images.cnblogs.com/cnblogs_com/chouxianyu/1511971/o_201108071151ForwardPass2.jpg" alt="Forward Pass2" " />
Backward PassBackward Pass是为所有激活函数的输入\(z\)计算\(\frac{\partial C}{\partial z}\)，它的方向是从后往前算的，要先算出输出层的\(\frac{\partial C}{\partial z}\)，再往前计算其它神经元的\(\frac{\partial C}{\partial z}\)，所以叫Backward Pass。
<img src="https://images.cnblogs.com/cnblogs_com/chouxianyu/1511971/o_201108074342BackwardPass1.jpg" alt="BackwardPass1" " />
如上图所示，令\(a=\sigma(z)\)，根据链式法则，可知\(\frac{\partial C}{\partial z}=\frac{\partial a}{\partial z}\frac{\partial C}{\partial a}\)，其中\(\frac{\partial a}{\partial z}=\sigma'(z)\)是一个常数，因为在Forward Pass时\(z\)的值就已经确定了，而\(\frac{\partial C}{\partial a}=\frac{\partial z'}{\partial a}\frac{\partial C}{\partial z'}+\frac{\partial z''}{\partial a}\frac{\partial C}{\partial z''}=w_3\frac{\partial C}{\partial z'}+w_4\frac{\partial C}{\partial z''}\)，所以\(\frac{\partial C}{\partial z}=\sigma'(z)[w_3\frac{\partial C}{\partial z'}+w_4\frac{\partial C}{\partial z''}]\)。
对于式子\(\frac{\partial C}{\partial z}=\sigma'(z)[w_3\frac{\partial C}{\partial z'}+w_4\frac{\partial C}{\partial z''}]\)，我们可以发现两点：
\(\frac{\partial C}{\partial z}\)的计算式是递归的，因为在计算\(\frac{\partial C}{\partial z}\)的时候需要计算\(\frac{\partial C}{\partial z'}\)和\(\frac{\partial C}{\partial z''}\)。
如下图所示，输出层的\(\frac{\partial C}{\partial z'}\)和\(\frac{\partial C}{\partial z''}\)是容易计算的。
<img src="https://images.cnblogs.com/cnblogs_com/chouxianyu/1511971/o_201108075906BackwardPass3.jpg" alt="BackwardPass3" " />
\(\frac{\partial C}{\partial z}\)的计算式\(\frac{\partial C}{\partial z}=\sigma'(z)[w_3\frac{\partial C}{\partial z'}+w_4\frac{\partial C}{\partial z''}]\)是一个神经元的形式