感觉自己看懂了，那就写一写，好耶！
本章节原英文课件链接：https://pan.baidu.com/s/1KlxQlaYrLWFct3euO3f_pg
提取码：bb1a
我认为的基本逻辑线：
首先，是从最优化（optimization）开始，先引入的一般是一元二次函数，即抛物线上求最小值；随后由一元函数演变为多元函数求极值的问题，如抛物面求最低点的问题，这里会涉及高等数学的知识，往往需要求取输入成分的偏导数的方式进行求解。
随后，cs231n就computational graph(计算图例)的方式给出了简单的举例。
引出两个概念，前向传递（Feedforward）和反向传递（Back propagation）。前者就是在做计算，挺容易理解的，结构就是：输入-运算-输出；后者的话，则是想在这样的一个运算结构下，求取极值问题了，也就是回到最优化的目的。如前文所说，就想求取每一个输入成分的偏导数。对，就是偏导数！
由于输入成分经过多重运算，怎么获得结果对于初始输入成分的偏导数呢？那么就得借助高等数学中的“链式法则”（chain rule）进行逐步求导。其中的L函数应该想表示的就是损失函数（Lost function）。
cs231n中一个较为简单的例子：图中绿色数字为前向传递的数值，而红色数字是反向传递。其中，L函数结果对于自身Z求导为1，所以反向传递的起始值为1。
cs231n中另外一个较为复杂的例子。关注反向传递：先将每一个运算节点，也就是小圆圈里的内容进行求导（获得函数式），然后代入该点的输入值（前向传播中，从左往右，小圆圈左边的即为输入值），最终获得该点的导数值（是一个数）。随后，根据链式法则，反复上述过程，不断反向，最终求得对于初始输入的偏导数值。下图中乘的（1.00）是根据链式法则，即L函数对自身Z的求导。
那么，当例子中具体的数值（绿色数字）转变成某一个变量，如a/b/c的话，对于每一个输入成分的偏导数就会与这些变量a/b/c有关了，于是就可以研究其中的关系，调整输入成分a/b/c，实现这个计算图例的最优化目的了。
随后，在此基础上，将计算图例复杂化，也就成了神经网络里的各级层。但同样，基础结构就是：输入-运算-输出；而反向传播，同样是按照上述的原理，探究如何控制输入的，解决最优化的问题！cs231n里面呢，是先说明了这个神经网络的真实层级情况，随后再讲述其本质的基础结构，而我只是换了一个顺序，说明了基础结构的原理，然后复杂化，就是神经网络的层级问题。
