为什么反向传播必须向后走
作者从一个常见困惑切入:反向传播为什么必须"向后"传播误差,而不是一次前向计算就搞定?他用多变量链式法则指出,如果在前向过程中为每个权重复算下游项,消息会在多个节点间重复传递,计算量随节点数呈二次方增长。 关键洞察是:既然下游节点已经持有局部偏导项,把"下游累积消息"反向传回上游节点即可,每个节点只做一次本地乘法和求和,整个反向过程变成线性时间。 文章把 backprop 重新解释为一种"信用分配"问题的最优解,并强调了计算图中 DAG 的结构约束(下游依赖上游,导致前向不可达)。整体信息密度高、推导清晰,但面向已有神经网络和微积分基础的读者,对更大众的科技读者门槛略高,讨论入口主要在于"能不能把前向传播改成 O(n)"这一具体问题。