Backpropagation الگوریتمی است که در فرآیند آموزش شبکه های عصبی، به ویژه در یادگیری تحت نظارت استفاده می شود. از آن برای محاسبه خطا در خروجی شبکه و سپس انتشار مجدد خطا در شبکه استفاده می شود و وزن نورون ها را طوری تنظیم می کند که خطا را به حداقل برساند.
فرآیند انتشار Backpropagation شامل دو مرحله اصلی است: انتشار به جلو و انتشار به عقب.
Forward Propagation: در حین انتشار به جلو، ورودی ها از شبکه عبور داده شده و خروجی محاسبه می شود. سپس خروجی با خروجی (یا برچسب) مورد نظر مقایسه می شود و خطا محاسبه می شود.
انتشار به عقب: در هنگام انتشار به عقب، خطا از طریق شبکه منتشر می شود و وزن نورون ها به گونه ای تنظیم می شود که خطا را کاهش دهد. این کار با استفاده از یک الگوریتم بهینه سازی مانند نزول گرادیان انجام می شود که گرادیان تابع خطا را با توجه به وزن ها محاسبه می کند و وزن ها را در جهت مخالف گرادیان به روز می کند.
الگوریتم پس انتشار به طور مکرر در شبکه اعمال می شود و وزن ها را تا زمانی که خطا به حداقل برسد تنظیم می کند. همانطور که وزن ها به روز می شوند، شبکه "یاد می گیرد" خروجی تولید کند که به خروجی مورد نظر نزدیک تر است و تعمیم به نمونه های دیده نشده را ممکن می کند.
پس انتشار پرکاربردترین الگوریتم برای آموزش شبکه های عصبی است و پایه و اساس بسیاری از پیشرفت ها و پیشرفت ها در زمینه یادگیری عمیق بوده است.