梯度反向传播（Backpropagation）是深度学习中训练人工神经网络的核心算法。它通过应用微积分中的链式法则，高效地计算损失函数对网络参数的梯度，从而调整网络权重以最小化预测误差。与其他优化方法不同，反向传播利用多层网络的层级结构，使得大规模的有监督学习成为可能。
应用场景与使用示例
梯度反向传播被广泛应用于图像识别、自然语言处理、金融预测、AI辅助医学诊断等领域。例如，卷积神经网络依靠反向传播学习识别图像中的物体，语言模型则通过它不断提升回答的相关性。
主流软件工具、库与框架
目前主流深度学习框架如TensorFlow、PyTorch、Keras、JAX、MXNet和Theano都实现了反向传播。这些工具自动完成微分和梯度管理，大大简化了复杂网络的原型搭建和训练过程。
最新发展、演变与趋势
近期的发展包括：为深层或残差网络优化反向传播、适应GPU/TPU分布式训练，以及探索无梯度反向传播和脑启发算法等替代方法。现代工具不断提升自动微分的效率和灵活性。