反向传播算法（BP）：
前向传播通过训练数据和权重参数计算输出结果；反向传播通过导数链式法则计算损失函数对各参数的梯度，并根据梯度进行参数的更新。
1.前向传播
在前面的：全连接神经网络——前向传播中我们已经实现了神经网络的前向计算
这里就不过多介绍了，我们直接上代码：
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.layer=nn.Sequential(
nn.Linear(3*28*28,256),
nn.ReLU(),
nn.Linear(256,64),
nn.ReLU(),
nn.Linear(64, 10),
nn.Softmax(dim=1)
)
#前向传播
def forward(self,x):
return self.layer(x)#这里是返回前向计算的输出
if __name__ == '__main__':
net=Net()
x=torch.randn(2,3*28*28)
y=net.forward(x)
print(y.shape)#torch.Size([2, 10])2.损失计算
在：深度学习——损失函数这篇文章中我们也得到了两种不同的损失函数，接下来，我们就将利用前向计算所得到损失函数进行反向传播，去修正我们的权值。前面前向计算得到两个10分类的概率分布，这时我们将前向传播的结果和标签（真实值做对比）求损失。
这里就不过多介绍了，我们直接上代码（这里用到的是MSE损失）：
net=Net()
x=torch.randn(2,3*28*28)
y=net.forward(x)
print(y.shape)#torch.Size([2, 10])
loss_fun=nn.MSELoss()#构造损失函数
target = torch.zeros(2,10)
target[0:2,random.randrange(10)] = 1 # 定义标签,torch.Size([2, 10])
loss=loss_fun(y,target)
print(loss)3.反向传播
如果，在输出层输出的数据和我们设定的目标以及标准相差比较大（损失函数较大），这个时候，就需要反向传播。利用反向传播，逐层求出目标函数对各神经元权值的偏导数（利用链式法则）。
构成目标函数对权值向量的梯度，之所以算这个，是为了对权值的优化提供依据（梯度下降的思想），等权值优化了之后，再转为正向传播……当输出的结果达到设定的标准时（损失函数足够低），算法结束。
反向传播的原理：（1）链式求导法则? （2）梯度下降
链式求导法则：
我们以逻辑回归的神经元为例子：
显然，在这神经元当中：
最后，这个线性方程z会被代入到Sigmoid函数当中，也就是说：
????????????????????????????????????????????????????????
计算之后都会产生一定的损失值，我们把这个损失函数记为loss（a:输出，A:标签）:
反向传播的最终目的是修正权值w，那么我们让loss对w求偏导，根据链式准则：
（公式0）
? ? ? ? ???
正向传播与反向传播其实是同时使用的。首先，你需要正向传播，来计算z对w的偏导，进而求出sigmoid(z)是多少。然后，根据输出层输出的数据进行反向传播，计算出loss对z的偏导是多少，最后，代入到(公式0)当中，即可求出loss对w的偏导是多少。注意，这个偏导，其实反应的就是梯度。然后我们利用梯度下降法，对这个w不断进行迭代（也就是权值优化的过程），使得损失函数越来越小，整体模型也越来越接近于真实值。
代码示例：
opt = optim.Adam(net.parameters())
opt.zero_grad()#梯度清空
loss.backward()#反向传播
opt.step()