反向传播（Backpropagation）是神经网络训练中的一个核心算法，用于根据损失函数的梯度来更新网络中的权重。以下是反向传播更新权重的具体步骤：
1. 前向传播：
将输入数据传递到网络的输入层。
通过隐藏层进行计算，直到输出层得到预测结果。
输出层的预测结果与实际标签进行对比，计算损失函数的值。
2. 计算损失函数的梯度：
损失函数用于衡量预测结果与实际结果之间的差异，常用的损失函数有均方误差（MSE）、交叉熵损失等。
对于输出层，使用链式法则计算损失函数对每个权重的梯度。
对于隐藏层，同样使用链式法则，但需要先计算隐藏层到输出层的梯度，再通过反向传播计算隐藏层到输入层的梯度。
3. 更新权重：
使用梯度下降（Gradient Descent）或其他优化算法来更新权重。
更新公式通常为：[ Delta w = -alpha cdot frac{partial L
