误差传播定律是指在神经网络训练过程中，通过反向传播算法，将输出误差逐层传递给每个神经元，从而更新它们的权重，达到优化网络性能的目的。具体来说，误差传播定律包括两个基本的公式，即前向传播公式和反向传播公式。前向传播公式是将输入数据从输入层经过每个神经元的计算，一直传递到输出层，得到网络的输出结果。反向传播公式是通过计算输出误差与每个神经元输出值的导数之间的关系，将输出误差逐层传递给每个神经元的权重，从而更新它们的权重值。这样可以使网络对输入数据的预测结果逐渐接近真实值，提高网络的准确性。通过不断迭代使用误差传播定律，可以不断地更新神经网络的权重，进一步减小输出误差，提高网络的性能。