。
神经网络的训练本质上就是这个循环，只是"学生"换成了一堆参数W和b，"老师"换成了损失函数，"修改习惯"换成了沿着梯度方向调整数值。
类比
Loss= 老师给的总扣分。
梯度= "这道题里第 3 步贡献了 5 分扣分，第 7 步贡献了 2 分"——把总误差摊回到每一个具体决定上。
优化器= 学生根据这些细分反馈，决定下次每一步怎么改、改多少。
下一个 batch
输入数据 x
前向传播
模型预测 ŷ
损失函数
L = loss(ŷ, y)
反向传播
计算 ∂L/∂W
优化器
W ← W − η·g
图 1 · 一个训练 step 的闭环：前向 → 算 loss → 反向 → 更新
02 · 第一步 · 前向传播：模型先给出一个预测
反向传播的前提是先有一次前向传播。模型把输入x一层一层往前算，每一层做的事情都很朴素：
z = W · x + b a = σ(z)其中W是权重矩阵，b是偏置，σ是激活函数（ReLU、GELU、Softmax 等）。一层输出的a又作为下一层的输入，一路传到最后输出ŷ。
关键点：在前向传播的过程中，框架（PyTorch / JAX / TF）会偷偷把每一步的中间结果都"记账"下来，形成一张计算图。这张图就是反向传播能够沿着原路返回的"路标"。没有这本账，后面的链式求导就无从谈起。
03 · 第二步 · Loss：用一个数字量化"错得有多离谱"
预测出来ŷ之后，需要一个标量来衡量"离正确答案y还差多少"。这就是损失函数（loss function）。
常见 Loss 速查
| 任务 | 常用 Loss | 直觉解释 |
|---|---|---|
| 回归 | MSE：(ŷ − y)² | 差得越远，扣分以平方放大 |
| 二分类 | BCE / Logistic | 预测概率离真实标签的对数距离 |
| 多分类 / LLM | Cross-Entropy | 模型给"正确答案"的概率越低，扣分越多 |
| 偏好对齐 | DPO / RLHF Loss | 让模型对"好回答"的概率高于"差回答" |
无论形式怎么变，Loss 都是一个标量——只有一个数字。这一点至关重要：因为只有标量函数才能对每一个参数求出一个明确的"导数方向"。
注意
Loss 本身不会改参数。它只是一个"评分员"：给当前这套参数打了个分。真正动手改参数的是后面的反向传播和优化器。
04 · 第三步 · 反向传播：用链式法则把误差摊给每个参数
现在我们有了一个数字L（loss），还有几百万、几十亿个参数W。问题来了：L 这一个数字，怎么变成对每一个 W 的"改进建议"？
核心数学：链式法则
反向传播的灵魂只有一行高中数学——复合函数求导：
∂L/∂W₁ = ∂L/∂a₃ · ∂a₃/∂z₃ · ∂z₃/∂a₂ · ∂a₂/∂z₂ · ∂z₂/∂a₁ · ∂a₁/∂z₁ · ∂z₁/∂W₁看着吓人，但意思非常朴素："L 对 W₁ 的敏感度"等于一连串"上一层对下一层的敏感度"相乘。从输出端开始，一层一层往输入端"传递责任"。
反向传播的 4 个动作
- 从输出端开始— 先算最容易的一步：Loss 对最后一层输出
ŷ的导数∂L/∂ŷ。例如 MSE 的话就是2(ŷ − y)。 - 沿计算图反着走— 有了
∂L/∂ŷ，结合前向时记下来的中间值，就能反推出∂L/∂W_last。再往前一层，继续。 - 把"上游梯度"乘进来— 每一层只需要做一次乘法：本层的局部梯度 × 从后一层传过来的梯度，得到的就是 Loss 对本层参数的梯度。
- 得到一张梯度地图— 走完整张计算图后，每个参数
W都会拿到自己专属的梯度g = ∂L/∂W，告诉它："你应该往哪个方向、用多大力度修改"。
类比
把神经网络想象成一条流水线。某个产品最终被客户投诉（Loss 大）。反向传播就是顺着流水线倒查：终检环节贡献了多少错？焊接环节贡献了多少？最上游的备料环节又贡献了多少？每个工人（参数）最后都拿到一张属于自己的"责任分摊单"，那就是它的梯度。
梯度告诉你两件事
| 维度 | 含义 |
|---|---|
| 方向（符号） | 梯度为正 → 增大该参数会让 Loss 变大；所以应该减小它。反之亦然。 |
| 大小（幅值） | 梯度越大 → 这个参数对当前错误的"贡献"越大，需要更大幅度修改。 |
图 3 · 不同层得到的梯度幅值（典型情况）：越靠近输出层，梯度信号越强；越靠近输入层，梯度往往越小（这就是"梯度消失"的来源，也是 ResNet、LayerNorm 等技巧要解决的问题）。
05 · 第四步 · 优化器：拿到梯度后，到底怎么改参数？
反向传播只负责算出梯度，但"具体怎么用这些梯度去改参数"是优化器（Optimizer）的工作。最朴素的优化器只有一行公式：
SGD：W ← W − η · g其中η是学习率（learning rate）。直觉上：梯度告诉你"哪边是上坡"，优化器就反着走，迈一步η那么大。学习率太大容易冲过头，太小则训练慢。
主流优化器一览
| 优化器 | 核心思想 | 更新公式（简化） | 适合场景 |
|---|---|---|---|
| SGD | 纯粹沿当前梯度反方向走 | W ← W − η·g | 简单任务、需要正则化效果 |
| Momentum | 积累"惯性"，避免在峡谷里反复横跳 | v ← β·v + g; W ← W − η·v | 损失面崎岖、需要加速收敛 |
| Adam | 给每个参数自己的学习率：常更新的小步走，少更新的大步走 | W ← W − η · m̂ / (√v̂ + ε) | 大模型预训练 / 微调的默认选择 |
| AdamW | Adam + 解耦的权重衰减（更干净的正则化） | 同 Adam，再加− η·λ·W | LLM / Transformer 微调几乎必选 |
为什么 Adam 类优化器会"自适应"？
Adam 在内部维护两个"记忆"：
m ← β₁·m + (1−β₁)·g // 一阶动量：梯度的滑动平均 v ← β₂·v + (1−β₂)·g² // 二阶动量：梯度平方的滑动平均 W ← W − η · m̂ / (√v̂ + ε)直觉：m像方向感，告诉你"最近一直往哪走"；v像油门刹车，告诉你"这个参数的梯度噪声大不大"。梯度长期很大的参数v就大，于是被自动除小，更新更稳；长期不动的参数v就小，更新被自动放大。
易混点
很多人把"梯度"和"参数更新量"混为一谈。其实：梯度 g是反向传播给的"建议"；更新量 ΔW是优化器对建议的"重新解读"——加上学习率、动量、自适应缩放、权重衰减之后才是真正写回W的数。
06 · 把链路串起来：一次训练 step 的完整剧本
把前面四步合在一起，一个最小的训练 step 长这样（PyTorch 写法）：
# 1. 取一个 batch 的数据 x, y = next(loader) # 2. 前向传播：模型预测 + 计算 loss y_hat = model(x) loss = criterion(y_hat, y) # 3. 清掉上一步的旧梯度（PyTorch 默认会累加） optimizer.zero_grad() # 4. 反向传播：自动沿计算图算出每个参数的梯度 loss.backward() # 5. 优化器根据梯度更新参数 optimizer.step()这五行代码就是深度学习训练的最小心跳。模型微调、LLM 预训练、扩散模型训练……本质上都是这同一个循环跑几万到几亿次。
OptimizerBackwardLoss模型 (W)数据 (x, y)OptimizerBackwardLoss模型 (W)数据 (x, y)进入下一个 batch输入 x1预测 ŷ2计算标量 L3dL/dŷ4沿计算图回传，得到每个 W 的梯度 g5把 (W, g) 交给优化器6写回新参数 W'7
图 5 · 一次训练 step 的角色与信息流
07 · 微调（Fine-tuning）里的反向传播有什么不一样？
核心机制完全相同，但哪些参数参与反向传播会有变化。这是理解微调各种"花招"的关键。
三种典型微调形态
| 形态 | 哪些参数计算梯度 | 哪些参数被优化器更新 | 显存代价 |
|---|---|---|---|
| 全参微调 | 全部 W | 全部 W | 极高（梯度+优化器状态都翻倍） |
| 冻结部分层 | 只有未冻结层 | 只有未冻结层 | 中等 |
| LoRA / Adapter | 原始 W不算梯度；只算新增的低秩矩阵 A、B | 只更新 A、B（原 W 完全冻结） | 极低（梯度仅占原模型 0.1%–1%） |
LoRA 中的 A、B 到底是什么？
上面表格里反复提到的A、B不是随便起的字母，它们是 LoRA 论文里定义好的两个低秩矩阵，是真正接收梯度、被优化器更新的"小参数"。一句话概括：
核心公式
原模型某层权重W ∈ ℝ^(d×k)（冻结，不动）。
LoRA 新增旁路：ΔW = B · A，其中A ∈ ℝ^(r×k)，B ∈ ℝ^(d×r)，秩r ≪ min(d, k)（常见 4 / 8 / 16 / 32）。
前向时实际用的权重：W' = W + B·A（推理可合并，零额外延迟）。
形状直观对比
| 角色 | 形状 | 参数量（举例 d=k=4096, r=8） | 是否参与训练 |
|---|---|---|---|
| 原模型 W | d × k | 4096 × 4096 ≈16.78 M | 冻结（不算梯度、不更新） |
| A（降维矩阵） | r × k | 8 × 4096 =32 K | 训练（高斯随机初始化） |
| B（升维矩阵） | d × r | 4096 × 8 =32 K | 训练（全零初始化） |
| A + B 合计 | — | ≈65 K（原模型的 0.39%） | — |
输入 x
(k 维)
原权重 W
d×k · 冻结 ❄
A
r×k · 训练 🔥
B
d×r · 训练 🔥
⊕ 加和
输出 h = W·x + B·A·x
(d 维)
图 6 · LoRA 的旁路结构：原 W 不动，A、B 负责"补丁"
A、B 与原模型参数的本质区别
| 维度 | 原模型 W | LoRA 的 A、B |
|---|---|---|
| 形状 | 方阵或近方阵 d×k | 瘦长矩阵 r×k 和 d×r，被强行压缩到秩 r |
| 参数量 | 约 d·k | 仅 r·(d+k)，r=8 时只有原 W 的 ~0.4% |
| 初始化 | 预训练得到 | A 高斯随机，B 全零 → 第 0 步 B·A=0，等价于原模型 |
| 反向传播角色 | 只参与前向，反向经过但不分配梯度 | 真正接收 ∂L/∂A、∂L/∂B，被优化器更新 |
| 语义角色 | "通用知识库"，保持不动 | A 像降维探针，B 像升维投影，组合表达任务相关增量 |
| 部署形态 | 主体权重，不可改 | 推理可合并到 W；也可保留旁路结构在多任务间快速切换 |
梯度怎么走到 A 和 B？
沿用第 04 节的链式法则。设某层输入为x、上游传回来的梯度为∂L/∂h，则：
∂L/∂B = (∂L/∂h) · (A·x)ᵀ ∂L/∂A = Bᵀ · (∂L/∂h) · xᵀ ∂L/∂W = // 不计算，被冻结反向传播照样要经过 W 那条路径取得∂L/∂h，但梯度只在 A、B 上"落地"。优化器只为 A、B 维护动量与方差，显存账单于是从"原模型 ×3"瞬间降到"A+B ×3"。这就是 LoRA 在 24GB 卡上微调 70B 模型的全部秘密。
类比
把原模型 W 想象成一本印好的字典——内容已经定型，不能改。LoRA 给你一张透明便利贴（B·A），贴在字典上，你只能在便利贴上写字（更新 A、B）。读这本字典的时候，会自动把便利贴的内容叠加到原文上读出。便利贴很小（低秩），但只要贴对位置，就能让字典"理解"你的新任务。
微调时调梯度的常见技巧
| 技巧 | 作用 |
|---|---|
| 梯度裁剪 Gradient Clipping | 把过大的梯度截断到一个阈值，防止某次"爆炸"把训练好的权重一巴掌打飞。LLM 微调几乎必开。 |
| 梯度累积 Gradient Accumulation | 显存装不下大 batch？跑几次小 batch 把梯度加起来，再 step 一次。等效于大 batch，但显存峰值低。 |
| 混合精度 fp16 / bf16 | 前向 + 反向用低精度，参数主副本用 fp32。配合 loss scaling 防止小梯度被精度抹零。 |
| 学习率调度 LR Schedule | warmup → cosine decay 是 LLM 微调的"咒语"：先小心试探，再温柔降速，避免一开始就把预训练知识冲掉。 |
08 · 直觉总结：六句话记住整条链路
- Loss 是一个标量，是模型当前表现的"总扣分"。
- 反向传播 = 用链式法则把这一个标量的"责任"摊到每一个参数头上，得到梯度
g = ∂L/∂W。 - 梯度有方向（应该增还是减）和大小（要改多猛）两层信息。
- 优化器拿到梯度后，再叠加学习率、动量、自适应缩放、权重衰减，才得到真正写回参数的
ΔW。 - 这个"前向 → loss → 反向 → 更新"的循环跑几百万次，就把一个随机初始化的模型变成了能干活的模型。