反向传播

神经网络对模型的表达能力依赖于优化算法，优化是一个不断计算梯度并调整可学习参数的过程，Fluid中的优化算法可参考 优化器 。

在网络的训练过程中，梯度计算分为两个步骤：前向计算与 反向传播 。

• 前向计算会根据您搭建的网络结构，将输入单元的状态传递到输出单元。
• 反向传播借助 链式法则 ，计算两个或两个以上复合函数的导数，将输出单元的梯度反向传播回输入单元，根据计算出的梯度，调整网络的可学习参数。详细实现过程可以参考阅读 反向传导算法 。

在Fluid中，我们并不推荐直接调用 fluid 中反向传播相关API，因为这是一个极底层的API，请考虑使用 优化器 中的相关API替代。当您使用优化相关API时，Fluid会自动为您计算复杂的反向传播过程。

如想自己实现，您也可以使用 append_backward 中的 callback 自定义Operator的梯度计算形式。更多用法，请参考：

• append_backward