fix(latex): 修复中文引号遗漏，补丁 ``...'' → "..."（15处）

上次修复了 ''...'' 模式，遗漏了 ``...'' 包裹中文的情况。补充修复 ch02-ch08 及 ap01-ap02 中的混合引号。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
2026-05-29 14:10:44 +08:00
parent c9d2ce8a69
commit fa7d851bac
9 changed files with 16 additions and 16 deletions
@@ -315,7 +315,7 @@ 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

 通过在大规模无标注数据上的预训练，模型学习通用知识，再通过微调（Fine-tuning）适配具体任务。迁移学习使得少量标注数据也能获得优秀性能。

-特点： - 先预训练学通用知识，再微调适配任务 - 大幅减少对标注数据的依赖 - 模型开始具备迁移和泛化能力 - ``预训练+微调''成为标准范式
+特点： - 先预训练学通用知识，再微调适配任务 - 大幅减少对标注数据的依赖 - 模型开始具备迁移和泛化能力 - “预训练+微调”成为标准范式

 \textbf{第四阶段：大模型时代（Foundation Models）}

@@ -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。

@@ -110,7 +110,7 @@ RNN（Recurrent Neural Network）通过\textbf{隐藏状态}（Hidden State）
    y_t = W_hy · h_t + b_y
 \end{lstlisting}

-其中： - \passthrough{\lstinline!x\_t!}：时刻 t 的输入 - \passthrough{\lstinline!h\_\{t-1\}!}：上一时刻的隐藏状态（``记忆''） - \passthrough{\lstinline!h\_t!}：当前时刻的隐藏状态 - \passthrough{\lstinline!W\_hh, W\_xh, W\_hy!}：可学习的权重矩阵
+其中： - \passthrough{\lstinline!x\_t!}：时刻 t 的输入 - \passthrough{\lstinline!h\_\{t-1\}!}：上一时刻的隐藏状态（"记忆"） - \passthrough{\lstinline!h\_t!}：当前时刻的隐藏状态 - \passthrough{\lstinline!W\_hh, W\_xh, W\_hy!}：可学习的权重矩阵

 \subsection{直观理解}

@@ -976,7 +976,7 @@ DINOv2学到的特征具有惊人的语义对齐能力——无需文本训练

 \section{本章小结}

-本章沿着\textbf{``CNN → 目标检测/语义分割 → Vision Transformer → 大视觉模型''}的技术演进主线，系统介绍了计算机视觉的核心方法和前沿进展。
+本章沿着\textbf{“CNN → 目标检测/语义分割 → Vision Transformer → 大视觉模型”}的技术演进主线，系统介绍了计算机视觉的核心方法和前沿进展。

 \begin{lstlisting}
 技术演进脉络
@@ -107,7 +107,7 @@

 \subsection{体素 (Voxel)}

-\textbf{定义}：三维空间中的规则网格单元，是二维像素 (Pixel) 在三维空间的推广——``三维像素''。
+\textbf{定义}：三维空间中的规则网格单元，是二维像素 (Pixel) 在三维空间的推广——“三维像素”。

 \begin{lstlisting}
 体素网格：
@@ -1121,10 +1121,10 @@ print(f"颜色形状: {color.shape}, 密度形状: {density.shape}")
 \endhead
 \bottomrule\noalign{}
 \endlastfoot
-空间问答 (Spatial QA) & 图像 + 问题 & 文字答案 & ``这栋建筑有几层？'' \\
+空间问答 (Spatial QA) & 图像 + 问题 & 文字答案 & “这栋建筑有几层？” \\
 空间关系描述 & 3D场景 & 关系三元组 & (树, 在\ldots 前面, 建筑) \\
-导航指令 & 语言指令 & 路径/动作 & ``走到窗边左转'' \\
-场景变化检测 & 两个时刻的场景 & 变化描述 & ``左侧新增了一棵树'' \\
+导航指令 & 语言指令 & 路径/动作 & “走到窗边左转” \\
+场景变化检测 & 两个时刻的场景 & 变化描述 & “左侧新增了一棵树” \\
 \end{longtable}
 }

@@ -315,7 +315,7 @@ CLIP & 文图对齐 & 确保生成的图像与文本描述语义一致 \\
 \item
  \textbf{质量修饰}：如“高清”\,``细节丰富“``4K”
 \item
-  \textbf{光照氛围}：如“黄金时段光线”\,``柔和阴影''
+  \textbf{光照氛围}：如“黄金时段光线”\,“柔和阴影”
 \end{itemize}

 \begin{quote}
@@ -404,7 +404,7 @@ Canny边缘 & Canny Edge & 检测图像轮廓 & 草图控制、线稿渲染 \\
 基础模型 + LoRA_A + LoRA_B = 混合风格生成
 \end{lstlisting}

-设计师可以针对特定设计风格训练专属LoRA，如“新中式风格”\,``日式极简风格''等，实现个性化的AI生成。
+设计师可以针对特定设计风格训练专属LoRA，如“新中式风格”\,“日式极简风格”等，实现个性化的AI生成。

 \subsection{ComfyUI：模块化工作流}

@@ -203,7 +203,7 @@ CoT是最基础的推理增强技术，核心思想是\textbf{将推理过程显
 问题 → 推理链（一步步思考） → 答案
 \end{lstlisting}

-\textbf{设计示例——``设计一个公园''：}
+\textbf{设计示例——“设计一个公园”：}

 \begin{lstlisting}
 问题："在3000㎡的社区用地上设计一个公园"
@@ -645,7 +645,7 @@ RLHF分为三个阶段：

 在这个阶段，SFT模型成为RL的智能体： - \textbf{状态}：用户的问题 - \textbf{动作}：生成的回答 - \textbf{奖励}：奖励模型给出的分数 - \textbf{算法}：PPO，保证训练的稳定性

-同时，通过\textbf{KL散度惩罚（KL Divergence Penalty）} 约束模型不要偏离原始SFT模型太远，防止''奖励黑客（Reward Hacking）``——模型学会生成奖励模型给高分但实际无意义的内容。
+同时，通过\textbf{KL散度惩罚（KL Divergence Penalty）} 约束模型不要偏离原始SFT模型太远，防止"奖励黑客（Reward Hacking）"——模型学会生成奖励模型给高分但实际无意义的内容。

 \begin{lstlisting}[language=Python]
 # RLHF第三阶段伪代码