PocketGrad：从零开始理解自动微分与反向传播的轻量级实现

PocketGrad是由didarulilm开发的纯Python极简自动微分引擎，参考Andrej Karpathy的micrograd项目，于2026年6月4日在GitHub发布。它以可读性优先的设计理念，通过标量级计算图和链式法则，帮助学习者从第一性原理理解PyTorch等框架背后的反向传播机制，定位为教学工具而非生产工具。

深度学习框架（如PyTorch、TensorFlow）的自动微分是训练核心，但对多数使用者而言是黑箱。这种“知其然不知其所以然”的状态阻碍对深度学习本质的理解。PocketGrad正是为解决此问题而生，让学习者能亲手拆解反向传播的工作原理。

PocketGrad选择标量级别计算图（而非张量），原因有三：1. 链式法则可追踪，清晰看到梯度传播路径；2. 可手动验证梯度，将抽象概念转化为具体知识；3. 内置可视化模块，能渲染计算图为SVG，直观展示节点数值与梯度。

PocketGrad包含三个核心模块：1. engine.py：实现Scalar类，维护计算图连接信息，定义backward()方法执行反向传播；2. nn.py：提供微型神经网络库（Module、Neuron、Layer、MLP），与PyTorch API风格一致；3. visualize.py：用Graphviz渲染计算图为SVG，辅助调试与理解。

以双月数据集为例，演示完整训练流程：1. 生成非线性可分的二分类数据；2. 定义MLP模型（输入2维，两隐藏层各16神经元，输出1维）；3. 训练循环：前向传播→计算二元交叉熵损失→backward()求梯度→梯度下降更新参数；4. 结果：模型达到100%分类准确率，清晰分隔双月形状。

PocketGrad明确不包含向量化、GPU加速等生产级功能，以保持可读性。与micrograd相比，它有工程化改进（pyproject.toml、CI/CD、单元测试、pip安装）和功能扩展（更完善的可视化、额外操作支持、详细文档）。

适合以下人群：1. 深度学习初学者：亲手实现MLP，理解核心流程；2. CS学生：研究计算图、拓扑排序等概念；3. 框架开发者：了解PyTorch内部机制的微缩模型；4. 教育者：课堂逐行讲解的理想素材。

PocketGrad的价值在于让你理解反向传播本质，而非生产应用。当你亲手实现反向传播，对深度学习的理解会发生质变。若你好奇框架内部机制、需要教学示例或喜欢探究本质，PocketGrad值得尝试。