自动求导
要想熟练掌握深度学习，我觉得有必要先来了解一下什么是计算图，在反向传播过程中，我们最重要的一件事就是求梯度（俗称：求导）。而反向传播的求梯度过程，就是通过计算图实现的！
什么是计算图
通俗来讲，计算图就是把数学表达式用图的方式描绘出来（由于我极其讨厌专业术语，个人觉得这是增大我们学习者学习难度的东西，所以很多东西我都会先转化为我自己可以理解的东西，当然，我也会先提一手专业术语，然后用自己能理解的语言代替，大家可能难以理解，但还请见谅），嗯，这么说来，所谓的计算图，其实也就是一个数学表达式的图画版，换言之，其主要表达的意义，就是一个数学表达式。那么，下面我们来举个例子，帮助大家深入理解计算图：
现有表达式：z= a(bx + c) + dy
其计算图形式就应该如下：
利用计算图求导
现在我们已经得到了计算图，怎么利用计算图进行求导呢。之前在网上瞎逛的时候，看到一个解释挺好的：
If one wants to understand derivatives in a computational graph, the key is to understand derivatives on the edges. If a directly affects c, then we want to know how it affects c. If a changes a little bit, how does c change? We call this the partial derivative of c with respect to a.
我去，居然是英语，你可能顿时就不想看了，我也不想看，那用咱们老实人的话应该怎么说呢：求偏导！没错，上面那段话的中心思想就是求偏导。对每一条边进行求偏导。例如，上图（自己画的，有点丑）中（????= ????（???????? + ????） + ????y），z的值是直接被m与n影响的，那么，m又是如何影响到z的呢
可见，z与m是成正相关的，而且比例系数是1，即其他条件不变的情况下，m怎么变，便多少，z就怎么变，变多少。（我去，如此简单的求偏导，我居然可以写出作文的感觉，服了）
同理，z对n的偏导求法也是一样的。
但是，只是对直接影响的关系求偏导没什么用啊，还不如数学表达式来的痛快，计算图可以轻松的求出间接关系之间的偏导，比如，我现在要求z对x的偏导（即：x对z的影响），那么计算图的计算过程是先求出z对m，对n的偏导（虽然n与x无关，但是只从n看不出来啊），结果标记在对应的边上，再从m向子节点求偏导（对x求偏导），然后结果写在边上，最后把从x开始的边到z结束的边上的值相乘（分叉就加）就可以得出结果了。好吧，把我自己给整糊涂了，直接上图：
但是实际上，这样的求法对于简单的一些运算表达式还可以，假设有一个及其复杂的运算图，从根节点到第一层子节点有a条路径
从第一层到第二层又有b条路径····，那么一共需要计算（不考虑求每条边上的导数值）的就会是a*b*····，这种计算开销还是非常大的，而实际利用机器学习来计算梯度的时候，我们会采用路径分解的方法，给每一条路径加上一个权值，比如z对m求导路径的权重设为0.5 z对n的权重0.5，然后加权求和，再进行运算。好吧，我已经感觉到自己讲不清楚这一块了，直接贴链接吧：http://colah.github.io/posts/2015-08-Backprop/
这部分等我再研读一下再说吧。
小结
其实反向传播的过程就是一个链式求导的过程，只不过我水平有限，暂时无法讲清楚，各位有什么好的思路可以在评论区写出来大家一起探讨。