反向传播算法在30年前被重新提出并得到推广，它目前仍是高效训练人工神经网络最为广泛的算法之一。本节我们将对此算法进行更为直观的总结，并对它的工作方式有个全面的了解。
从本质上讲，反向传播仅仅是一种高效地计算复杂代价函数导数的方法。我们的目标是使用这些导数学习权重系数，以对多层人工神经网络进行参数化。神经网络参数化过程中面临的一个挑战就是：我们通常要处理高维特征空间中的数量众多的权重系数。与前面章节中介绍的代价函数不同，神经网络代价函数的误差平面并非是平滑凸曲面。在此高维代价函数的平面上有很多凹陷（局部最优值）和凸起，我们必须克服此问题以找到代价函数的全局最优解。
读者可能会想起微积分基础课程中的链式法则。链式法则是对复杂嵌套函数求导的一种方法，例如，f（g（x））＝y可分解为基本的组成部分：
基于代数，已找到一系列方法来高效解决此类问题，这些方法也称作自动微分。如果读者有兴趣了解更多关于自动微分在机器学习中的应用，建议参考如下资源：A.G.Baydin and B.A.Pearlmutter.Automatic Differentiation of Algorithms for Machine Learning.arXiv preprint arXiv:1404.7456,2014，此文献可通过访问arXiv网站（http://arxiv.org/pdf/1404.7456.pdf）免费获取。
自动微分包含两种模式，分别为：正向积分模式和反向积分模式，反向传播仅为反向模式自动微分的一个特例。关键在于：由于需要将每一层的大型矩阵（雅可比矩阵，Jacobians）与一向量相乘以获得输出，因此在正向模式中使用链式法则的计算成本是非常巨大的。反向模式的诀窍在于：我们从右边开始，将一个矩阵与一个向量相乘，得到的结果是另一个向量，再将其与下一矩阵相乘，如此反复。矩阵-向量的计算成本要远小于矩阵-矩阵相乘的成本，这也是反向传播成为神经网络训练中最常用算法的原因之一。