MIT 6.7960 PS1 實作走查：從 NumPy 手寫 MLP 到 PyTorch Autograd 反向傳播
手寫 NumPy MLP + 反向傳播 → PyTorch Autograd 驗證，完整複現 OCW HW1 核心考點
#backpropagation
7 篇文章Harvard CS50 AI Week 5：Neural Networks——反向傳播、TensorFlow/Keras、CNN 與交通號誌辨識
Week 5 進入神經網路：感知機到多層網路、反向傳播鏈式法則、損失函數、優化器、TensorFlow/Keras 實作、CNN 卷積/池化、專案 Traffic 訓練 CNN 辨識交通號誌。
模型怎麼改進自己：梯度下降與訓練迴圈
模型透過 loss 知道自己錯多少，透過梯度知道往哪邊調。梯度下降就是反覆做三件事：算 loss、算梯度、調參數。Learning rate 決定每步調多大——太大會跳過最佳解，太小訓練到天荒地老。
CMU 07-280 Lecture 12：Backpropagation 如何重用 Chain Rule
Lecture 12 把神經網路視為 computation graph：forward pass 保存中間量，backward pass 從 loss 開始傳遞 upstream gradient，並用線性層、activation 與 softmax 的局部規則一次算出全部參數梯度。
CS224N 第 3 講：矩陣微積分與反向傳播
第 3 講把神經網路訓練拆成計算圖、局部導數與鏈鎖律：forward pass 算結果，backprop 由輸出往回累積梯度，讓每個參數知道自己該往哪裡移。
深度學習：模組、反向傳播與向量化
第七章把神經網路拆成可組合模組，並用反向傳播與向量化說明深度模型如何有效率地訓練。
CMU 10-301 HW5：用 NumPy 拆開 Neural Network 與 Backpropagation
HW5 的價值在於不靠自動微分，親手追蹤 forward shapes、cache 與 backward gradients。