Backpropagation berechnet in einem neuronalen Netz Gradienten eines Fehlermaßes gegenüber den Modellparametern. Dazu wird die Kettenregel angewendet, beginnend bei der Ausgabe und rückwärts durch die Netzschichten.
Die berechneten Gradienten können anschließend von einem Optimierungsverfahren wie Gradient Descent genutzt werden, um Gewichte anzupassen. Backpropagation selbst wählt weder Trainingsdaten noch Lernziel und garantiert kein gutes Modell.
Ergebnis und Stabilität hängen unter anderem von Architektur, Initialisierung, Daten, Verlustfunktion und Lernrate ab.
Inhaltlich überarbeitet am 2026-10-13. Gradientenberechnung vom eigentlichen Optimierer getrennt.