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>

chapters/ch03-1d-sequence.tex

@@ -4,7 +4,7 @@
 
 一维数据（1D Data）是人工智能处理的最基础、也是最重要的数据形态。你正在阅读的文字、你说出的一句话、股票市场的价格走势、建筑室内温度随时间的变化——这些都是一维序列数据。
 
-与图像（二维）和三维模型（三维）不同，一维数据的核心特征是\textbf{有序性}：每一个元素的含义不仅取决于它本身，还取决于它在序列中的位置以及与前后元素的关系。``我吃饭了''和''饭我吃了''虽然包含相同的字，但含义截然不同——这就是序列的魅力与挑战。
+与图像（二维）和三维模型（三维）不同，一维数据的核心特征是\textbf{有序性}：每一个元素的含义不仅取决于它本身，还取决于它在序列中的位置以及与前后元素的关系。``我吃饭了“和”饭我吃了''虽然包含相同的字，但含义截然不同——这就是序列的魅力与挑战。
 
 本章将带你踏上一段激动人心的技术演进之旅：从早期的小型循环神经网络（RNN），到注意力机制的革命性突破，再到 Transformer 架构的横空出世，最终见证大语言模型（LLM）如何改变整个 AI 格局。这条从小模型到大模型的技术脉络，不仅是深度学习最精彩的故事之一，也直接关系到今天每一位设计师如何使用 AI 工具。
 
@@ -75,14 +75,14 @@
 "光线 充足"          → 设计优点
 \end{lstlisting}
 
-模型需要''记住''之前看到的内容，才能理解当前内容。这正是\textbf{循环神经网络}要解决的核心问题。
+模型需要“记住”之前看到的内容，才能理解当前内容。这正是\textbf{循环神经网络}要解决的核心问题。
 
 
 \section{RNN：循环神经网络}
 
 \subsection{核心思想}
 
-RNN（Recurrent Neural Network）通过\textbf{隐藏状态}（Hidden State）在时间步之间传递信息，实现''记忆''功能。
+RNN（Recurrent Neural Network）通过\textbf{隐藏状态}（Hidden State）在时间步之间传递信息，实现“记忆”功能。
 
 \begin{lstlisting}
 时间展开视图：
@@ -128,7 +128,7 @@ RNN（Recurrent Neural Network）通过\textbf{隐藏状态}（Hidden State）
 时间步7：看到"空间感"  → h₇ = "完整理解：客厅用开放式布局来增加空间感"
 \end{lstlisting}
 
-每一步，RNN 都在累积和更新对文本的理解。这就是''记忆''的力量。
+每一步，RNN 都在累积和更新对文本的理解。这就是“记忆”的力量。
 
 \subsection{PyTorch 代码示例}
 
@@ -189,14 +189,14 @@ RNN 需要通过反向传播跨越多个时间步来更新参数。当序列较
 RNN 处理长序列时遇到同样的问题！
 \end{lstlisting}
 
-在实际应用中，标准 RNN 通常只能''记住''5-10步之前的信息。对于''这个设计方案虽然外观简洁大方，功能分区合理，但是整体造价偏高''这样跨越多个分句的评价，RNN 可能会遗忘前半部分的内容。
+在实际应用中，标准 RNN 通常只能“记住”5-10步之前的信息。对于“这个设计方案虽然外观简洁大方，功能分区合理，但是整体造价偏高”这样跨越多个分句的评价，RNN 可能会遗忘前半部分的内容。
 
 
 \section{LSTM：长短期记忆网络}
 
 \subsection{设计哲学}
 
-LSTM（Long Short-Term Memory）由 Hochreiter 和 Schmidhuber 于1997年提出，核心创新是引入\textbf{细胞状态}（Cell State）——一条贯穿整个序列的''信息高速公路''，让信息可以长距离传递而不被稀释。
+LSTM（Long Short-Term Memory）由 Hochreiter 和 Schmidhuber 于1997年提出，核心创新是引入\textbf{细胞状态}（Cell State）——一条贯穿整个序列的“信息高速公路”，让信息可以长距离传递而不被稀释。
 
 \begin{lstlisting}
 LSTM 单元内部结构：
@@ -220,7 +220,7 @@ LSTM 单元内部结构：
 
 \subsection{三道门：遗忘、输入、输出}
 
-LSTM 通过三个''门''（Gate）来精确控制信息的流动：
+LSTM 通过三个“门”（Gate）来精确控制信息的流动：
 
 \textbf{1. 遗忘门（Forget Gate）}：决定从细胞状态中丢弃什么信息
 
@@ -428,7 +428,7 @@ RNN 的局限 & 具体影响 \\
 
 \subsection{核心思想}
 
-自注意力让序列中的每个位置都能\textbf{直接}与所有其他位置''交流''，一步到位地获取全局信息。
+自注意力让序列中的每个位置都能\textbf{直接}与所有其他位置“交流”，一步到位地获取全局信息。
 
 \begin{lstlisting}
 传统 RNN（串行传递信息）：
@@ -553,7 +553,7 @@ print(f"输出形状: {output.shape}")              # (1, 4, 64)
 
 \subsection{为什么需要多头？}
 
-单个注意力头只能学习一种''关注模式''。现实中的语言理解需要同时关注多种关系：
+单个注意力头只能学习一种“关注模式”。现实中的语言理解需要同时关注多种关系：
 
 \begin{lstlisting}
 句子："设计师用木质材料打造了温馨的北欧风格客厅"
@@ -619,7 +619,7 @@ class MultiHeadAttention(nn.Module):
 
 \subsection{为什么需要位置信息？}
 
-Self-Attention 本身是''位置无关''的——它把输入看作一个集合（Set），而不是序列（Sequence）：
+Self-Attention 本身是“位置无关”的——它把输入看作一个集合（Set），而不是序列（Sequence）：
 
 \begin{lstlisting}
 输入 A："客厅 在 北面"
@@ -833,9 +833,9 @@ class FeedForward(nn.Module):
 输出 → 传递给下一层或最终线性层
 \end{lstlisting}
 
-\subsection{Masked Self-Attention：为什么要''掩码''？}
+\subsection{Masked Self-Attention：为什么要“掩码”？}
 
-在生成文本时，模型不能''偷看''未来的词：
+在生成文本时，模型不能“偷看”未来的词：
 
 \begin{lstlisting}
 生成 "现代 简约 风格 客厅"：
@@ -1191,7 +1191,7 @@ Transformer 论文发表后的几年里，研究者们发现了一个关键规
 
 \section{RAG：检索增强生成}
 
-\subsection{问题：大模型的''幻觉''}
+\subsection{问题：大模型的“幻觉”}
 
 LLM 会自信地编造不存在的事实：
 
@@ -1338,7 +1338,7 @@ answer = llm.generate(augmented_prompt)
 
 \subsection{核心原则}
 
-Prompt Engineering 是与大语言模型有效沟通的''艺术与科学''：
+Prompt Engineering 是与大语言模型有效沟通的“艺术与科学”：
 
 \begin{lstlisting}
 原则一：明确任务