我說神經網路的計算是按正向傳遞或前向傳播步驟組織的，我們計算神經網路的輸出，然後是反向傳遞或反向傳播步驟，我們用於計算梯度或計算導數。計算圖解釋了為什麼它以這種方式組織。我們將通過一個例子說明計算圖（比對數概率迴歸或完整的神經網路更簡單的例子）。

假設我們正在嘗試計算一個函式 J=3(a+bc) $J=3(a$

如果我們將$v$的數值稍微改變一下，$J$的值會如何變化？在這裡，我們將$v$增加了0.001。最終的結果是$J$增加了0.003。所以$\frac{\partial J}{\partial v}=3$。因為$J$的增加是$v$的增加的3倍。

現在讓我們看另一個例子。$\frac{\partial J}{\partial a}=?$，換句話說，如果我們改變a的值，那麼這對J的值有何影響？

在程式碼中，當你在你編寫的程式碼中計算這個東西時，我們只是使用變數名dvar來表示$\frac{\partial J}{\partial var}$。

從這個例子來看，利用計算圖計算導數的關鍵點是，當計算微分時，最有效的方法是按照反向進行從右到左的計算。特別是，我們首先計算$\frac{\partial J}{\partial v}$。然後，這對於計算關於$\frac{\partial J}{\partial a}$和$\frac{\partial J}{\partial u}$是有用的。再往下傳播，這些對於計算關於$\frac{\partial J}{\partial b}$和$\frac{\partial J}{\partial c}$也是有用的。