---
id: P-REINFORCE-AUTO-BACK-002
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.00
tags: [auto-reinforced, backpropagation, deep-learning, machine-learning-foundations, calculus, neural-networks]
last_reinforced: 2026-04-20
---

# [[Backpropagation]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "오답 노트를 통한 성장: 모델이 낸 정답과 실제 정답 사이의 오차를 거꾸로(Back) 거슬러 올라가며, 각각의 신경망 연결 통로(Weight)들이 그 실책에 얼마나 기여했는지 계산해 이를 수정하는 딥러닝 학습의 마법."

## 📖 구조화된 지식 (Synthesized Content)
역전파(Backpropagation)는 인공신경망을 학습시키기 위해 미분(Chain Step)법을 사용하여 출력층의 오차를 입력층 방향으로 전파하며 가중치(Weights)를 업데이트하는 알고리즘입니다.

1.  **학습 프로세스**:
    *   **Forward Pass**: 데이터가 신경망을 통과하며 예측값 도출.
    *   **Loss Calculation**: 예측값과 실제 정답의 차이(Loss) 계산.
    *   **Backward Pass**: 오차가 발생한 책임을 각 노드에 분산. 출력이 오차에 미치는 영향력(Gradient)을 계산.
    *   **Update**: 계산된 Gradient를 바탕으로 최적화 알고리즘(예: SGD)을 사용하여 가중치 조정.
2.  **왜 중요한가?**:
    *   다층 신경망(Deep Hidden Layers)에서 어떤 층을 얼마나 고쳐야 할지 수학적으로 명확히 알려주어 '딥러닝'을 실질적으로 가능케 한 핵심 기술임.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 초기 인공지능 정책은 사람이 규칙을 주는 것이었으나, 역전파 정책은 기계가 오차로부터 스스로 규칙(가중치)을 찾아내는 정책적 대전환을 이루어냄(RL Update).
- **정책 변화(RL Update)**: 역전파 연산 효율을 극대화하기 위해 하드웨어(GPU/NPU) 수준에서 행렬 연산을 가속하는 정책이 수립되었고, 최근에는 역전파 없이 학습하는 생물학적 뇌 모델(Forward-Forward 등)에 대한 대안 정책 연구도 활발함.

## 🔗 지식 연결 (Graph)
- [[stochastic gradient descent]], Deep Learning, Neural Networks, [[Machine-Learning-Foundations]], [[Reward Prediction Error]]
- **Modern Tech/Tools**: PyTorch, TensorFlow, Autograd engines.
---