fix(latex): 修复中文引号渲染，''...'' → "..."（139处）
pandoc 转换将中文双引号变为两个ASCII单引号，导致LaTeX中 左右引号均渲染为右引号。替换为Unicode中文引号以正确显示。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
+15
-15
@@ -1,6 +1,6 @@
|
||||
\chapter{设计人工智能的理论框架}
|
||||
|
||||
本章建立全书的核心理论框架。我们从''函数描述世界''的理念出发，引入数据模态（Data Modality）作为理解AI技术的组织原则，梳理从小模型到大模型的统一演进规律，并以多层感知机（MLP）作为一切深度学习的基础模型进行系统讲解。
|
||||
本章建立全书的核心理论框架。我们从“函数描述世界”的理念出发，引入数据模态（Data Modality）作为理解AI技术的组织原则，梳理从小模型到大模型的统一演进规律，并以多层感知机（MLP）作为一切深度学习的基础模型进行系统讲解。
|
||||
|
||||
\section{篇章导读}
|
||||
|
||||
@@ -8,7 +8,7 @@
|
||||
|
||||
无论是处理文本、图像还是三维空间数据，AI的本质工作都是一样的——从数据中学习映射函数 \(y = f(x; \theta)\)。区别仅在于输入数据的形态不同，因此需要不同的网络结构来高效处理。
|
||||
|
||||
本章将： - 从函数式视角理解AI的本质 - 建立基于数据模态的全书知识地图 - 揭示所有AI技术背后的统一演进规律 - 深入讲解MLP这一最基础的神经网络 - 建立''环境-智能体-任务''实践框架，降低上手门槛
|
||||
本章将： - 从函数式视角理解AI的本质 - 建立基于数据模态的全书知识地图 - 揭示所有AI技术背后的统一演进规律 - 深入讲解MLP这一最基础的神经网络 - 建立“环境-智能体-任务”实践框架，降低上手门槛
|
||||
|
||||
|
||||
\section{函数式AI视角}
|
||||
@@ -18,7 +18,7 @@
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
理解''Functions Describe the World''的核心理念
|
||||
理解“Functions Describe the World”的核心理念
|
||||
\item
|
||||
掌握从Excel线性回归到神经网络的演进逻辑
|
||||
\item
|
||||
@@ -126,7 +126,7 @@ plt.grid(True, alpha=0.3)
|
||||
plt.show()
|
||||
\end{lstlisting}
|
||||
|
||||
这段代码展示了一个完整的''从数据中学习函数''的过程。虽然这只是最简单的线性回归，但它已经包含了AI的核心思想：\textbf{给定数据，自动确定函数参数}。
|
||||
这段代码展示了一个完整的“从数据中学习函数”的过程。虽然这只是最简单的线性回归，但它已经包含了AI的核心思想：\textbf{给定数据，自动确定函数参数}。
|
||||
|
||||
\subsection{数据驱动 vs 规则驱动}
|
||||
|
||||
@@ -159,7 +159,7 @@ result = model.predict(new_image) # 自动判断
|
||||
优势： - 自动发现人类难以表达的规律 - 数据越多，性能越好 - 可以处理复杂的、非线性的关系 - 适应性强，可迁移到新任务
|
||||
|
||||
\begin{quote}
|
||||
\textbf{设计思维的转变}：从''设计规则''到''设计数据''。在AI时代，设计师不仅要设计规则（设计语言、规范），还要设计和管理训练数据，因为数据决定了AI学到的函数。
|
||||
\textbf{设计思维的转变}：从“设计规则”到“设计数据”。在AI时代，设计师不仅要设计规则（设计语言、规范），还要设计和管理训练数据，因为数据决定了AI学到的函数。
|
||||
\end{quote}
|
||||
|
||||
|
||||
@@ -319,7 +319,7 @@ AI同样需要针对不同模态的数据采用不同的处理方式。一种数
|
||||
|
||||
\textbf{第四阶段：大模型时代（Foundation Models）}
|
||||
|
||||
参数规模达到十亿甚至万亿级别的模型，展现出''涌现能力''（Emergent Abilities）——模型规模大到一定程度后，突然具备了小模型没有的新能力。
|
||||
参数规模达到十亿甚至万亿级别的模型，展现出“涌现能力”（Emergent Abilities）——模型规模大到一定程度后，突然具备了小模型没有的新能力。
|
||||
|
||||
特点： - 单一模型处理多种任务（通用性） - 涌现能力：规模带来质变 - 少样本甚至零样本学习 - Scaling Law：性能随规模持续提升
|
||||
|
||||
@@ -412,7 +412,7 @@ FPFH → PointNet → Point-BERT → Point-E
|
||||
\item
|
||||
\textbf{预训练时代是设计师的最佳入口}。利用预训练模型，设计师不需要海量数据和强大算力，就能将AI应用到设计实践中。
|
||||
\item
|
||||
\textbf{大模型时代带来''民主化''}。大模型通过自然语言交互降低了AI的使用门槛，设计师可以用自然语言指挥AI完成设计任务。
|
||||
\textbf{大模型时代带来“民主化”}。大模型通过自然语言交互降低了AI的使用门槛，设计师可以用自然语言指挥AI完成设计任务。
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
@@ -589,7 +589,7 @@ print(f"最终输出: {y.flatten()}")
|
||||
|
||||
\subsection{激活函数}
|
||||
|
||||
激活函数（Activation Function）是神经网络的''灵魂''。没有激活函数，无论网络有多少层，都等价于一个单层线性变换：
|
||||
激活函数（Activation Function）是神经网络的“灵魂”。没有激活函数，无论网络有多少层，都等价于一个单层线性变换：
|
||||
|
||||
\[y = W_2(W_1x) = (W_2W_1)x = W'x\]
|
||||
|
||||
@@ -624,7 +624,7 @@ Sigmoid & \(\sigma(z) = \frac{1}{1+e^{-z}}\) & (0, 1) & 输出可解释为概率
|
||||
ReLU & \(\text{ReLU}(z) = \max(0, z)\) & {[}0, +∞) & 计算简单高效；缓解梯度消失 & \textbf{隐藏层首选} \\
|
||||
Tanh & \(\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}\) & (-1, 1) & 零中心化；两端梯度消失 & 循环网络隐藏层 \\
|
||||
Softmax & \(\text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}}\) & (0, 1)，和为1 & 输出为概率分布 & 多分类输出层 \\
|
||||
LeakyReLU & \(\text{LeakyReLU}(z) = \max(\alpha z, z)\) & (-∞, +∞) & 解决ReLU''死神经元''问题 & 深层网络隐藏层 \\
|
||||
LeakyReLU & \(\text{LeakyReLU}(z) = \max(\alpha z, z)\) & (-∞, +∞) & 解决ReLU“死神经元”问题 & 深层网络隐藏层 \\
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
@@ -646,12 +646,12 @@ ReLU: Sigmoid: Tanh:
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{quote}
|
||||
\textbf{设计类比}：激活函数就像是设计中的''非线性思维''。如果只有线性思维（没有激活函数），无论思考多少层，结论都是线性的——就像在一条直线上来回走。激活函数引入了''跳跃''和''拐弯''的能力，让网络能够表达复杂的设计关系。
|
||||
\textbf{设计类比}：激活函数就像是设计中的“非线性思维”。如果只有线性思维（没有激活函数），无论思考多少层，结论都是线性的——就像在一条直线上来回走。激活函数引入了“跳跃”和“拐弯”的能力，让网络能够表达复杂的设计关系。
|
||||
\end{quote}
|
||||
|
||||
\subsection{损失函数}
|
||||
|
||||
损失函数（Loss Function）衡量模型预测值与真实值之间的差距，是训练过程的''指南针''。
|
||||
损失函数（Loss Function）衡量模型预测值与真实值之间的差距，是训练过程的“指南针”。
|
||||
|
||||
\textbf{常用损失函数}
|
||||
|
||||
@@ -695,7 +695,7 @@ ReLU: Sigmoid: Tanh:
|
||||
|
||||
\subsection{反向传播与梯度下降}
|
||||
|
||||
反向传播（Backpropagation）是训练神经网络的核心算法，它解决了''如何高效计算每个参数对损失的影响程度''这一问题。
|
||||
反向传播（Backpropagation）是训练神经网络的核心算法，它解决了“如何高效计算每个参数对损失的影响程度”这一问题。
|
||||
|
||||
\textbf{核心思想：梯度下降}
|
||||
|
||||
@@ -832,7 +832,7 @@ print(f"真实参数: W = [2.0, 3.0], b = [1.0]")
|
||||
\begin{itemize}
|
||||
\tightlist
|
||||
\item
|
||||
理解''环境-智能体-任务''三元框架
|
||||
理解“环境-智能体-任务”三元框架
|
||||
\item
|
||||
认识环境配置是AI实践中的关键瓶颈
|
||||
\item
|
||||
@@ -927,7 +927,7 @@ GPU/CUDA配置 & 驱动版本与CUDA版本不匹配 & ★★★★★ \\
|
||||
}
|
||||
|
||||
\begin{quote}
|
||||
\textbf{核心观点}：环境问题不是''技术能力不足''的问题，而是\textbf{基础设施鸿沟}。正如设计师不需要理解CAD软件的底层渲染引擎才能画图，学习AI也不应该被环境配置阻挡在门外。
|
||||
\textbf{核心观点}：环境问题不是“技术能力不足”的问题，而是\textbf{基础设施鸿沟}。正如设计师不需要理解CAD软件的底层渲染引擎才能画图，学习AI也不应该被环境配置阻挡在门外。
|
||||
\end{quote}
|
||||
|
||||
\subsection{降低门槛的实践策略}
|
||||
@@ -1049,7 +1049,7 @@ d2l.ai（动手学深度学习） & 代码驱动，PyTorch/MXNet/TensorFlow多
|
||||
\endhead
|
||||
\bottomrule\noalign{}
|
||||
\endlastfoot
|
||||
Hugging Face & 模型和数据集的''GitHub''，可在线体验 \\
|
||||
Hugging Face & 模型和数据集的“GitHub”，可在线体验 \\
|
||||
Civitai & Stable Diffusion模型分享社区 \\
|
||||
Papers With Code & 论文+代码+排行榜，追踪最新技术 \\
|
||||
\end{longtable}
|
||||
|
||||
Reference in New Issue
Block a user