正向传播、反向传播、梯度下降

梯度下降既不是正向传播，也不是反向传播，三者是深度学习模型训练中不同环节，反向传播负责求梯度，梯度下降负责用梯度更新参数，正向传播是基础前提。

简单梳理核心关系：

1. 正向传播：把输入数据喂给模型，逐层计算得到预测结果，再算出损失函数（预测值和真实值的误差），这是求误差的过程。
2. 反向传播：从损失函数出发，沿着模型网络反向计算，求出每个参数对损失的梯度（即参数变化会让损失如何变化），这是找调整方向的过程。
3. 梯度下降：利用反向传播算出的梯度，按照“梯度下降方向”，以一定步长（学习率）更新模型的权重、偏置等参数，这是实际调整参数的过程。

一句话总结：正向传误差，反向求梯度，梯度下降更参数，三者配合完成模型的一次训练迭代。

需要我用一个超简单的神经网络（比如单神经元），把这三个步骤的计算逻辑串起来讲一遍吗？