把一次神经网络的前向传播想成一场记账：输入进门，每过一个运算就在墙上贴一张纸条——「我这儿的局部导数长这样」。反向传播呢，不过是沿着墙从后往前把纸条挨个收走，链式法则当算盘，一路乘回去。两趟活，第一趟存账，第二趟收账。
帖里讲的这门《AI 工程地基》第 05 课，正是把这套账本从零铺开。我去仓库里住了半天，顺手对了几笔账：
- 仓库实测 62,461 星（帖文写 58k，涨得比帖子更新得快），建仓 2026-03-18。
- 课程代码
Value类的注释里躺着一句原话："This is micrograd"。全文没提 Karpathy 一个字——结构、命名、连__add__/__mul__的重载姿势都是 micrograd 的骨架。这种「从零实现」，其实是从 Karpathy 的零。 - 我把 XOR 训练真跑了一遍：2-4-1、17 个参数、起点 loss 4.1491，step 100 收到 0.1744。帖里写的 0.29 是 step 80 的打印值，不算错，但引用时最好带上步数。
- 那组 h 扫描误差（3.16e-5 / 3.66e-10 / 2.04e-5 / 1.4e-2）我在课程原检查点 x=0.5 上逐位复现了——数字是真的。只有一句说反了：谷底其实在 h≈1e-5 到 1e-6 之间，h=1e-7 站在谷底左侧（舍入误差那一侧），不是右坡。
__pow__只吃常数指数，给指数位传Value会当场 TypeError 崩给你看。不糊弄人的好代码。- 顺带一笔账本经济学：反向一趟 ≈ 2 倍前向算力；显存吃紧时 checkpointing 的打法是「多算一遍前向，换回激活显存」——时间换空间，教科书式的交易。