通俗解释
前向计算得到损失后，从最后一层开始，把“误差对本层的影响”逐层往回传，一次就算出所有权重的梯度。PyTorch 的自动求导就是它的通用实现。
用在哪里：所有深度学习框架的自动求导
时间轴 · 前置 → 当前 → 后继
01原始论文
Learning representations by back-propagating errors
Rumelhart et al. · Nature · 1986
DOI ↗ ✓ 已核实 · Crossref API doi:10.1038/323533a0
02知识位置
左边先学；右边是学完它之后可以学的。
反向传播
相关：Adam 优化器
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
U12 微积分与优化 导数、偏导、链式法则与梯度，理解“沿梯度下山”。 12 小时2 个算法1 篇论文 U14 PyTorch 入门与自动求导 张量、自动求导、数据加载与训练循环。 10 小时2 个算法0 篇论文 U30 神经网络与反向传播 从神经元、多层感知机到反向传播与激活函数。 10 小时4 个算法2 篇论文已有正文
所在学习路线：从零到深度学习
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
backprop)