两人凑近了屏幕，开始从基础模块往下看。
因为有着非常明确的目标——搭建一个用于图像分类的神经网络，他们直接跳过了闲篇，直奔核心API。
鼠标滚轮不断向下滑动，安静的客厅里只有“咔哒咔哒”的声音。
几分钟后，郭长征突然倒吸了一口凉气。
“等会儿！一航，你把页面往上拉一点。”郭长征指着屏幕。
楚一航照做，页面停在了一个名为“自动微分”的章节。
“卧槽，这也可以？”楚一航脱口而出，声音都提高了八度。
郭长征死死盯着那几行示例代码，脸上的表情极为震撼。
“一航，这文档上写的，是真的吗？”郭长征指着屏幕的手指甚至有点发颤。
“它说，我们只需要定义好前向传播的计算过程，框架就能自动帮我们求导？”
楚一航也是一脸没见过世面的样子，逐字逐句地又看了一遍。
“郭老师，文档上确实是这么写的。它甚至包装好了一个叫梯度下降优化器的东西。”
郭长征猛地拍了一下大腿，发出一声脆响。
要知道，在2009年这个时间节点，要在底层从零开始手写一个神经网络，简直是所有科研人员的噩梦。
噩梦的根源，不在于怎么把数据乘起来，而在于怎么把误差传回去。
这就是反向传播算法。
科研人员需要拿着纸和笔，运用高等数学里的链式法则，对着错综复杂的网络层，一层一层地去推导偏导数公式。
稍微多加一层网络，或者换一个非线性激活函数，几十页的数学草稿纸就白写了，必须全部推倒重来。
哪怕公式推导对了，把它转化成C语言或者C++代码时，稍有一个变量写错，模型就会原地爆炸，梯度直接消失或者数值溢出。
“这等于是把最折磨人的数学推导过程，全给省略了？”郭长征觉得嗓子有点干。
“只要告诉它怎么算出来的结果，它自己就能算出怎么调整参数？”
楚一航看着文档上的示例，只要调用一个简单的函数，所有的梯度就全部计算完毕。
“郭老师，如果这文档没吹牛逼，那我们以后搭模型，就跟搭乐高积木一样简单了。”
两人对视了一眼，兴奋之情溢于言表，在客厅里高兴得连连搓手。
这种把复杂的数学过程完全黑盒化、工程化的设计，对于
本章未完，请点击下一页继续阅读！