反向传播 - 本地梯度计算是神经网络中常用的优化算法。在每次训练中，神经网络会根据前向传播得到的输出和标签值来计算损失。然后，通过反向传播算法，网络会计算每个权重和偏差的梯度，并用梯度下降法来更新它们。本地梯度计算指的是计算每个神经元的梯度，这个梯度只和神经元本身有关，而不涉及其他神经元。

下面是一个简单的代码示例，展示了如何计算一个卷积层的本地梯度。其中，conv_output是卷积层的输出，grad_output是从后一层传来的梯度，weight是卷积核的权重，bias是偏差。

def conv_backward_local_gradient(conv_output, grad_output, weight, bias):
    # 计算本地梯度
    local_gradient = conv_output * (1 - conv_output)
    # 计算卷积的偏导数
    conv_grad = grad_output * local_gradient
    # 计算偏差的梯度
    bias_grad = np.sum(conv_grad, axis=(0,2,3))
    # 计算权重的梯度
    weight_grad = convolve2d(grad_output, weight, mode='valid')
    return conv_grad, weight_grad, bias_grad