矩阵微积分
它在 AI 中解决什么问题？
占位说明：解释向量、矩阵和张量函数如何求导，支撑模型训练公式的实现级推导。
核心概念
- 待补：matrix derivative
- 待补：shape-aware gradient
- 待补：vector-Jacobian product
关键公式
待补：linear layer backward、softmax backward、attention backward。
它出现在模型的哪里？
- 待补：neural network derivation
- 待补：Transformer backward
- 待补：autograd implementation logic
后续需要补充
- 待补：定义
- 待补：直觉
- 待补：例子
- 待补：常见误区