用比喻解释计算图的正向传播和反向传播
想象你在经营一家咖啡店，你的目标是制作一杯完美的咖啡，让顾客满意（相当于机器学习中的损失函数最小化）。整个咖啡制作过程可以类比为计算图的正向传播和反向传播。
正向传播：制作咖啡的过程
正向传播就像咖啡的制作过程，你按照一定的步骤（计算图）从原材料（输入）制作出一杯咖啡（输出）。假设咖啡的味道由咖啡豆的质量、冲泡时间、牛奶量、糖的多少等因素决定（相当于神经网络的参数）。
1. 选取咖啡豆（输入数据）
? 你挑选一批咖啡豆（就像神经网络接受数据输入）。
2. 研磨咖啡豆，注入热水（神经网络的计算）
? 你决定研磨的粗细（类似于模型的权重参数）。
? 倒入热水冲泡（相当于数据在神经网络中的传播过程）。
3. 加入牛奶和糖（参数调整）
? 你决定添加多少牛奶、多少糖（这些就像神经网络的可训练参数）。
4. 顾客品尝咖啡，给出评分（计算损失）
? 顾客喝了一口咖啡，给出评分（类似于计算误差 / 损失函数）。
? 如果顾客觉得味道刚刚好，那么你的咖啡配方是完美的；如果味道不对，你需要调整配方。
反向传播：调整咖啡配方的过程
反向传播就像顾客给出反馈后，你根据反馈调整咖啡配方，让咖啡味道更接近完美（损失函数最小化）。
1. 顾客觉得咖啡太苦（损失计算）
? 评分较低，说明咖啡太苦，损失较大（误差大）。
2. 分析问题（计算梯度）
? 你分析导致苦味的原因：