上一节中，看了一个例子，使用流程图来计算函数J，现在我们清理一下流程图的描述，看看如何利用它计算出函数J的导数。
下图是一个流程图，假设要计算J对v的导数，怎么计算呢？把v值拿过来，改变一下，那么J的值会怎么变呢？定义上，，现在v=11，如果让v增加一点点，如果到11.001，那么J的值就变为33.003,。当v增加0.001，最终结果是J上升到原来的三倍，所以J对v的导数就等于3，因为对于任何v的增量，J都会有3倍增量，而且这类似于在上一节中的例子，有。
在反向传播算法中的术语，可以看到，如果想计算最后输出变量的导数使用你最关心的变量，对v的导数，那么我们就做完了一步反向传播。在这个流程图中是一个反向步。
看一下另外的例子，怎么计算呢？换句话说，如果我们提高a的数值，对J的数值有什么影响？我们看一下这个例子，变量a=5，让它增加到5.001，那么对v的影响就是a+U，之前是11，现在变为11.001，J就变成33.003了。所以可以看到的是，如果让a增加0.001，J增加0.003，那么增加啊，也就是把这个5换成某个新值，那么a的该变量就会传播到流程图的最右，所以J最后是33.003，所以J的增量是3乘于a的增量，意味着这个导数是3。
要解释这个计算过程其中一种方法是，就是如果你改变了啊，那也会改变v，通过改变v，也会改变J。所以J值的净变化量，当你提升这个值，当把a值提高一点点，这就是J的变化量。
首先a增加了，v也会增加，v增加多少呢？增加了一个量，这取决于，然后v的变化导致J也在增加，在微积分中这叫链式法则。如果a影响到v影响到J，当你让a变大时，J的变化量就是当你改变a时v的变化量乘于改变v时J的变化量，在微积分中这叫链式法则。
我们从计算中可以看到，如果让a增加0.001，v也会变化相同的大小，所以。事实上，KaTeX parse error: Expected '}', got 'EOF' at end of input: \frac{dJ}{dv3，，所以这个乘积为3，也就是
这张小图展示了就是这个对这个变量的导数，这可以帮助你计算，所以这是另一步反向传播计算。
现在介绍一些新的符号约定，当你编程实现反向传播时，通常会有一个最终输出值是你需要关心的，所以有很多计算尝试计算输出变量的导数。所以d(输出变量)\d(某个变量)的导数就用d(var)命名。在很多计算中你需要计算最终输出结果的导数，还有各种中间变量，比如a,b,c,u,v，当在软件里实现的时候，变量名叫什么？可以做的一件事是，在python中可以写一个很长的变量名，但变量名太长也不好，我们用d(J)/d(var)，但因为你一直对d(J)求导，对这个最终输出变量求导，这里要介绍一个新符号。在程序里，当在编程的时候，在代码里，我们就使用变量名dvar来表示那个量，所以dvar在程序中表示导数。我们关心的最终变量J的导数有时候是L对代码中各种中间值的导数。
我们通过这个流程图部分完成的反向传播算法，在下面我们会看看这个例子剩下的部分。使用一张新的流程图，回顾一下，到目前为止，我们一直在往回传播，并计算出d(J)/d(v)=3，同理，可有d(J)/d(a)=3。
我们继续计算导数，我们看一下值u，是多少呢？通过和之前类似的计算，从u=6出发，令u增加到6.001，那么v之前是11，现在变成11.001了，J就从33变成33.003。所以J的增量是3倍，所以这就等于。
现在仔细看最后一个例子，使用微积分的链式法则，这可以写成两者的乘积，，理由是，如果将b改变一点点，比如改为3.001，它影响J的方式是，首先影响u，它对u的影响有多大呢？u的定义是，所以当b=3时u的值为6，现在u的值变为6.002，所以这告诉我们，当b增加0.001时，u就增加2倍。所以。同理，可以推导得到。
本节的要点是，对于那些例子，当计算所有这些导数时，最有效率的办法是从右到左计算，跟着这个红色箭头走，特别是当我们第一次计算对v的导数时，之后在计算对a的导数时就可以用到，然后对u的导数，可以帮助计算对b的导数，然后对c的导数。
所以这是一个计算流程图，就是正向或者说从左到右的计算来计算成本函数，可能需要优化参数，然后反向从右到左计算导数。