# 5️⃣ Backpropagation là gì?

<figure><img src="/files/6lVRKhFpoEDmKBwH6LfB" alt=""><figcaption></figcaption></figure>

### 1. Backpropagation là gì? (góc nhìn ứng dụng)

**Backpropagation** là:

* Cơ chế **lan truyền sai số ngược lại**
* Từ **output → hidden layers → input**
* Nhằm **điều chỉnh weight và bias**

👉 Backprop **không tạo prediction mới**,\
👉 nó chỉ **sửa các tham số** để lần sau dự đoán tốt hơn.

***

### 2. Hai pha luôn đi cùng nhau

Huấn luyện Deep Learning **luôn có 2 pha lặp đi lặp lại**:

#### 🔹 Forward pass

* Dữ liệu đi **từ trái sang phải**
* Tính:
  * neuron → layer → activation
  * ra prediction
  * tính loss

#### 🔹 Backward pass (Backprop)

* Sai số đi **từ phải sang trái**
* Trả lời:
  * neuron nào góp phần gây sai
  * sai nhiều hay ít
* Điều chỉnh:
  * weight
  * bias

👉 **Học = forward + backward lặp lại**

***

### 3. Trực giác “sửa sai” (không cần toán)

Bạn có thể hình dung đơn giản:

* Nếu kết quả **sai nhiều**:
  * Sửa **nhiều**
* Nếu kết quả **sai ít**:
  * Sửa **ít**
* Neuron nào **góp phần nhiều vào sai số**:
  * Bị sửa **mạnh hơn**

👉 Backprop giống như:

> *lần ngược dấu vết để tìm xem ai chịu trách nhiệm cho lỗi này*

***

### 4. Gradient xuất hiện ở đâu? (chỉ cần hiểu ý)

Trong backprop, mô hình cần biết:

* Nếu **tăng weight lên một chút**
* Thì **loss tăng hay giảm?**
* Tăng/giảm **bao nhiêu?**

Câu trả lời đó chính là **gradient**.

👉 Gradient = **hướng và mức độ cần điều chỉnh**

Bạn **không cần** đạo hàm ở đây, chỉ cần nhớ:

> *gradient chỉ đường để sửa weight*

***

### 5. Learning rate – sửa nhanh hay chậm

Backprop **không tự quyết định sửa bao nhiêu**.\
Nó cần một tham số quan trọng:

#### 🔹 Learning rate

* Sửa **mỗi bước bao nhiêu**
* Quá lớn → dễ “quá tay”
* Quá nhỏ → học rất chậm

👉 Learning rate giống như:

* Núm chỉnh **độ nhạy** khi sửa sai

***

### 6. Vì sao Backprop là “xương sống” của Deep Learning?

Không có backprop:

* Loss chỉ là con số để xem
* Mạng **không thể tự cải thiện**

Nhờ backprop:

* Hàng triệu weight
* Được điều chỉnh **có hệ thống**
* Dựa trên **mục tiêu chung (loss)**

👉 Đây là lý do Deep Learning **có thể học từ dữ liệu lớn**.

***

### 7. Liên hệ thực tế (đúng tinh thần ứng dụng)

#### 🧬 Y sinh

* Dự đoán nguy cơ bệnh sai →
* Backprop điều chỉnh weight liên quan đến:
  * HbA1c
  * glucose
  * BMI…

***

#### 🧠 Protein / sinh tin học

* Dự đoán chức năng sai →
* Backprop điều chỉnh neuron nhạy với:
  * motif
  * cấu trúc cục bộ

***

#### 🖼️ Ảnh

* Nhận dạng sai →
* Backprop điều chỉnh neuron phát hiện:
  * cạnh
  * hình dạng
  * pattern không gian

***

### 8. Tóm tắt toàn bộ chuỗi (4.1 → 4.5)

```
Neuron      → tính toán
Layer       → gom & trừu tượng
Activation  → tạo phi tuyến
Loss        → đo sai
Backprop    → sửa sai
```

Câu nhớ nhanh:

```
Forward để đoán.
Loss để biết sai.
Backprop để sửa.
Lặp lại → mô hình tốt lên.
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/deep-learning-theo-huong-ung-dung/backpropagation-la-gi.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.