反向传播（Backpropagation）是一种计算神经网络误差的方法，主要用于更新神经网络的参数。
在训练神经网络时，首先使用前向传播（Forward Propagation）计算网络的输出。
然后，通过反向传播来评估输出的误差并更新网络参数。该方法通过在网络中进行反向传播，从输出层到输入层依次计算误差对每个权重的梯度（导数）。这些梯度用来更新网络的参数，以使误差最小化。
反向传播算法主要应用于深度学习（Deep Learning）模型的训练，如卷积神经网络（Convolutional Neural Networks）和循环神经网络（Recurrent Neural Networks）。
它的核心思想是通过计算误差对参数的导数来更新参数，进而实现模型的自动学习。
