首先介绍一下链式法则
假如我们要求z对x1的偏导数，那么势必得先求z对t1的偏导数，这就是链式法则，一环扣一环
BackPropagation（BP）正是基于链式法则的，接下来用简单的前向传播网络为例来解释。里面有线的神经元代表的sigmoid函数，y_1代表的是经过模型预测出来的，y_1 = w1 * x1 + w2 * x2，而y^1代表的是实际值，最后是预测值与实际值之间的误差，l_1 = 1/2 * (y_1 - y^1)^2，l_2同理。总的错误是E = l_1 + l_2。
在神经网络中我们采用梯度下降（Gradient Descent）来进行参数更新，最终找到最优参数。可是离E最近的不是w1，首先我们需要求出E对l_1的偏导，接着求l_1对于最近神经元sigmoid中变量的导数，最后再求y_0对于w1的偏导，进行梯度更新。
这便是神经网络中的BP算法，与以往的正向传播不同，它应该是从反向的角度不断优化
这里只是用了一层隐含层，可以看的出来一个参数的梯度往往与几个量产生关系：
推广到N层隐含层，只是乘的东西变多了，但是每个式子所真正代表的含义是一样的。
换个角度说，在深度学习梯度下降的时候会出现比较常见的两类问题，梯度消失以及梯度爆炸很可能就是这些量之间出了问题，对模型造成了影响。
1、梯度消失（Gradient Vanishing）。意思是梯度越来越小，一个很小的数再乘上几个较小的数，那么整体的结果就会变得非常的小。那么导致的可能原因有哪些呢？我们由靠近E的方向向后分析。
激活函数。y_1是最后经过激活函数的结果，如果激活函数不能很好地反映一开始输入时的情况，那么就很有可能出问题。sigmoid函数的性质是正数输出为大于0.5，负数输出为小于0.5，因为函数的值域为(0,1)，所以也常常被用作二分类的激活函数，用以表示概率。但是，当x比较靠近原点的时候，x变化时，函数的输出也会发生明显的变化，可是，当x相当大的时候，sigmoid几乎已经是无动于衷了，x相当小的时候同理。这里不妨具体举个二分类的例子，比如说用0,1代表标签，叠了一层神经网络，sigmoid函数作为激活函数。E对l_1的偏导极大程度将取决于y_1，因为标签就是0,1嘛。就算输入端的x,w都比较大，那么经过sigmoid压缩之后就会变得很小，只有一层的时候其实还好，但是当层数变多之后呢，sigmoid函数假如说每一层都当做是激活函数，那么最后E对l_1的偏导将是十分地小，尽管x,w代表着一些信息，可经过sigmoid压缩之后信息发生了丢失，梯度无法完成真正意义上的传播，乘上一个很小的数，那么整个梯度会越来越小，梯度越小，说明几乎快收敛了。换句话说，几乎没多久就已经收敛了。
另一种思路是从公式（4）出发，无论y_0取何值，公式（4）的输出值总是介于(0,1/4]（当然具体边界处是否能取到取决于具体变量的取值），证明：
因为不断乘上一个比较小的数字，所以层数一多，那么整个梯度的值就会变得十分小，而且这个是由sigmoid本身导致，应该是梯度消失的主因。
解决方法可以是换个激活函数，比如RELU就不错，或者RELU的变种。
2、梯度爆炸（Gradient Exploding）。意思是梯度越来越大，更新的时候完全起不到优化的作用。其实梯度爆炸发生的频率远小于梯度消失的频率。如果发生了，可以用梯度削减（Gradient Clipping）。
另外，观察公式可知，其实到底对谁求偏导是看最近的一次是谁作为自变量，就会对谁求，不一定都是对权重参数求，也有对y求的时候。
接着我们用PyTorch来实操一下反向传播算法，PyTorch可以实现自动微分，requires_grad 表示这个参数是可学习的，这样我们进行BP的时候，直接用就好。不过默认情况下是False，需要我们手动设置。
import torch
x = torch.ones(3,3,requires_grad = True)t = x * x + 2 z = 2 * t + 1y = z.mean()
接下来我们想求y对x的微分，需要注意这种用法只能适用于y是标量而非向量
y.backward()print(x.grad)
所以当y是向量形式的时候我们可以自己来算，如
x = torch.ones(3,3,requires_grad = True)t = x * x + 2y = t - 9
如果计算y.backward()会报错，因为是向量，所以我们需要手动算v，这里就是y对t嘛，全为1，注意v的维度就行。
v = torch.ones(3,3)y.backward(v)print(x.grad)
