在阅读《动手学深度学习》一书中，看到这样一段话：
“导数的计算，这是⼏乎所有深度学习优化算法的关键步骤。
在深度学习中，我们通常选择对于模型参数可微的损失函数。简⽽⾔之，对于每个参数，如果我们把这个参数增加或减少⼀个⽆穷⼩的量，我们可以知道损失会以多快的速度增加或减少。”
前面的文章也提到：深度学习回答了什么样的神经网络可以训练出智能，包括多层神经网络和卷积神经网络，也回答了训练（学习）方法问题，包括受限玻尔兹曼机模型、反向传播算法、自编码模型等。
反向传播算法，也就是反向导数传播，通过计算损失函数的损失，利用损失函数对于模型参数的可微性，将损失调整转换为模型参数的导数传播。这差不多是深度学习关键方法。由此也让深度学习模型成为函数的万能逼近器。
那如何目标函数不可微，怎么办？一种就是重参数化，类似VAE论文中采用方法。另一种就是采用强化学习，类似RLHF的方法。
