反向传播的核心是链式求导，需明确区分dL/dX（传给上层）、dL/dW和dL/db（仅Linear层内计算并累加），固定矩阵存储顺序，用valarray或轻量Tensor类避免手动索引错误，并每次backward前清零梯度。
反向传播的核心是链式求导，不是手动算梯度
很多人卡在“怎么手推公式”，其实 C++ 里真正要写的不是数学推导，而是对每个层的 forward 和 backward 做好责任划分：输入输出张量、参数、梯度缓存。关键在于把 sigmoid、ReLU、Linear 这些层的导数封装成可复用的函数，而不是每次反向都重写一遍链式法则。
常见错误是把损失对权重的导数（dL/dW）和损失对输入的导数（dL/dX）混为一谈——前者用于更新参数，后者必须传给上一层。一旦搞反，整个网络就学不动。
-
dL/dX是每个层backward的返回值，必须和该层forward的输入维度一致 -
dL/dW和dL/db只在Linear层内计算并保存，不向外传递 - 激活层（如
ReLU）没有可训练参数，所以只算dL/dX，不存dW
Linear 层的 backward 必须处理 batch 维度对齐
Linear 层前向是 X @ W.T + b，其中 X 形状是 (batch_size, in_features)，W 是 (out_features, in_features)。反向时：dL/dW = (dL/dY).T @ X，dL/dX = (dL/dY) @ W。这里最容易出错的是矩阵乘顺序和转置位置。
如果用裸数组或 std::vector<:vector>></:vector>，很容易因行列搞反导致梯度爆炸或静默收敛失败。建议一开始就固定约定：所有矩阵按行优先存储，A[i][j] 表示第 i 行、第 j 列。
立即学习“C++免费学习笔记（深入）”；
- 别用
std::vector套std::vector做运算 —— 内存不连续，cache 不友好，且.size()容易误读 - 批量计算
dL/dW时，必须对 batch 维度求和：dL/dW += dY_i.T * X_i，不能漏掉累加 -
b的梯度是dL/dY沿 batch 维度求和，即sum(dL/dY, axis=0)
损失函数选 MSE 还是 CrossEntropy？影响梯度形式
初学者常忽略损失函数对最后一层梯度的影响。MSE 对输出 Y 的导数是 2*(Y - target)；而 CrossEntropy 配合 Softmax 输出时，dL/dY = Y - target（前提是 target 是 one-hot）。这个差异直接决定你第一段反向代码写对没。
如果你用 Sigmoid + MSE 做二分类，没问题；但换成 Softmax + MSE，梯度会比 CrossEntropy 更平缓，收敛慢很多——不是代码错，是设计不合理。
- 二分类推荐
Sigmoid+MSE或Sigmoid+BCELoss（dL/dY = (Y - target) / (Y * (1-Y))） - 多分类必须用
Softmax+CrossEntropy，否则dL/dY会引入额外数值不稳定项 - 别在
forward里直接算 loss，loss 应独立调用，backward只接收dL/dY
用 std::valarray 或轻量 tensor 类比裸循环更可靠
纯 for 循环写梯度更新容易索引越界、符号写反、漏除 batch size。与其反复调试下标，不如用 std::valarray 做基础容器（支持逐元素运算、切片、apply），或者抄一段 50 行以内的 Tensor 类（只管 shape + data + 两个 operator+= 和 *=）。
例如 ReLU::backward 只需一行：return grad_output * (input > 0); —— 这里 input 和 grad_output 都是 valarray<double></double>，> 返回布尔数组，* 自动广播。比手写 for 快且不易错。
- 避免用
std::vector实现自动广播；它不支持v1 * v2按元素相乘（除非自己重载） - 如果不用第三方库，
valarray是标准库里最接近“张量语义”的选择，slice和shift能简化一些操作 - 别过早优化：先让单样本（batch_size=1）反向跑通，再扩展到 batch；否则维度错位问题会掩盖逻辑错误
最常被跳过的细节是梯度清零 —— 每次 backward 前，Linear::dW 和 db 必须置零，否则上一轮残留梯度会叠加进来。这不是理论问题，是实操中十次有八次训练不收敛的根源。
