Backpropagation é o algoritmo fundamental que permite o treinamento de redes neurais profundas. O processo ocorre em duas fases: durante o forward pass, os dados fluem da entrada para a saída, gerando uma predição. O erro é então calculado comparando a predição com o valor esperado, e durante o backward pass, esse erro é propagado de volta através da rede.
A propagação reversa utiliza a regra da cadeia do cálculo diferencial para calcular como cada peso da rede contribui para o erro final. Esses gradientes indicam a direção e magnitude da correção necessária em cada peso. Através de otimizadores como Gradient Descent, os pesos são ajustados iterativamente, reduzindo gradualmente o erro e permitindo que a rede aprenda padrões complexos nos dados.
Forward Pass
Propaga sinais e calcula a saída.
Erro
Diferença entre saída e alvo.
Backward Pass
Ajusta pesos com derivadas.