反向传播（Backpropagation）是如何工作的？

前向传播算输出和损失，反向传播用链式法则从损失对每层参数求梯度，再梯度下降更新权重。

一、先把结论讲清楚

神经网络可看作复合函数 y=f_n(...f_1(x))。前向传播 逐层计算激活值并保存中间结果，最后得到预测值和损失。

二、拆开机制和判断点

反向传播 从损失 L 开始，对每层参数 w 计算 ∂L/∂w：输出层梯度直接求，隐藏层用链式法则把误差信号一层层传回。框架（PyTorch/TF）通过自动微分构建计算图自动完成。

三、补上例子、边界和取舍

回答时可以补一句训练难点：深层网络容易出现梯度消失/爆炸，常用 ReLU、残差连接、LayerNorm、合理初始化和梯度裁剪来缓解。

面试里不要只停在公式或名词，可以补 反向传播Backpropagation是如何工作的 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。