链式法则与反向传播

它在 AI 中解决什么问题？

占位说明：解释复合函数模型中梯度如何从 loss 逐层传回参数。

核心概念

• 待补：chain rule
• 待补：computation graph
• 待补：backpropagation

关键公式

待补：$\frac{\partial \mathcal{L}}{\partial {\theta }_l}=\frac{\partial \mathcal{L}}{\partial h_l}\frac{\partial h_l}{\partial {\theta }_l}$。

它出现在模型的哪里？

• 待补：multi-layer neural network
• 待补：Transformer block backward
• 待补：automatic differentiation

后续需要补充

• 待补：定义
• 待补：直觉
• 待补：例子
• 待补：常见误区