【人工智能】AI大模型开发数学基础指南
目录
- 学习内容
- **1. 线性代数**
- **2. 概率与统计**
- **3. 微积分**
- **4. 优化理论**
- **5. 信息论**
- **6. 数值计算**
- **7. 离散数学**
- **8. 统计学进阶**
- **如何学习?**
- **总结**
- 如何学习
- **1. 明确学习目标**
- **2. 分阶段学习计划**
- **阶段 1:夯实基础**
- **阶段 2:掌握核心工具**
- **阶段 3:进阶应用**
- **3. 结合代码实践**
- **4. 从论文和模型中学习**
- **5. 避免常见误区**
- **6. 高效学习资源推荐**
- **7. 持续提升:从理论到科研**
- **总结**
学习内容
AI大模型开发需要扎实的数学基础,以下是核心数学领域及其应用场景:
1. 线性代数
- 重要性:神经网络的核心运算基于矩阵和张量操作。
- 关键内容:
- 矩阵乘法、特征值/特征向量(用于降维如PCA)。
- 张量运算(如卷积神经网络中的多维数据操作)。
- 奇异值分解(SVD)在模型压缩中的应用。
- 应用场景:全连接层计算、注意力机制(如Transformer中的QKV矩阵)。
2. 概率与统计
- 重要性:处理数据不确定性、评估模型性能。
- 关键内容:
- 概率分布(高斯分布、softmax输出)。
- 贝叶斯定理(贝叶斯优化、生成模型)。
- 统计指标(均值、方差、假设检验)。
- 应用场景:损失函数(交叉熵)、正则化(Dropout的期望)、数据分布建模。
3. 微积分
- 重要性:优化模型参数的核心工具。
- 关键内容:
- 梯度计算(反向传播的链式法则)。
- 多元函数的偏导数(优化高维参数空间)。
- 积分(概率密度函数、期望计算)。
- 应用场景:梯度下降法、损失曲面分析。
4. 优化理论
- 重要性:模型训练的数学本质是优化问题。
- 关键内容:
- 梯度下降法(SGD、Adam等优化器)。
- 凸优化与非凸优化(损失函数的性质)。
- 拉格朗日乘数法(处理约束问题如GAN)。
- 应用场景:学习率调整、参数更新策略设计。
5. 信息论
- 重要性:量化信息差异,指导模型设计。
- 关键内容:
- 熵、交叉熵(分类任务损失函数)。
- KL散度(评估生成模型质量)。
- 互信息(特征选择、对比学习)。
- 应用场景:模型压缩、损失函数设计(如BERT的MLM任务)。
6. 数值计算
- 重要性:确保算法实现的稳定性和效率。
- 关键内容:
- 数值稳定性(梯度爆炸/消失问题)。
- 迭代法(求解大规模线性系统)。
- 近似算法(如低秩近似加速计算)。
- 应用场景:参数初始化(Xavier/He)、归一化技术(LayerNorm)。
7. 离散数学
- 关键内容:
- 图论(图神经网络、注意力机制的结构表示)。
- 组合数学(模型架构搜索、排列组合问题)。
- 应用场景:知识图谱建模、Transformer中的序列关系。
8. 统计学进阶
- 关键内容:
- 假设检验(评估模型效果显著性)。
- 回归分析(线性模型基础)。
- 置信区间(不确定性估计)。
- 应用场景:A/B测试模型效果、数据预处理分析。
如何学习?
- 入门:掌握线性代数、概率统计、微积分和优化的基础概念。
- 进阶:结合具体模型(如Transformer、Diffusion)深入理解数学原理。
- 实践:通过PyTorch/TensorFlow实现算法,直观体会数学的应用。
总结
- 核心数学:线性代数、概率统计、微积分、优化理论。
- 延伸领域:信息论(模型设计)、数值计算(工程实现)。
- 学习建议:从理论推导过渡到代码实现,结合论文复现加深理解(如阅读Attention Is All You Need的矩阵运算部分)。
数学基础决定了能否深入理解模型本质,而非仅停留在调参层面。
如何学习
学习 AI 大模型所需的数学基础需要系统性和实践性结合,以下是分阶段的学习路径和方法:
1. 明确学习目标
- 核心目标:理解大模型(如Transformer、Diffusion、MoE等)的数学原理,而非成为数学专家。
- 优先级:线性代数 > 概率统计 > 微积分 > 优化理论 > 信息论 > 数值计算。
2. 分阶段学习计划
阶段 1:夯实基础
- 线性代数:
- 重点:矩阵运算、特征值分解、张量概念。
- 学习资源:
- 书籍:《线性代数应该这样学》(Sheldon Axler)或《矩阵分析》(Roger Horn)。
- 实践:用NumPy实现矩阵乘法、PCA降维。
- 概率与统计:
- 重点:概率分布、贝叶斯定理、期望与方差。
- 学习资源:
- 书籍:《概率导论》(Dimitri P. Bertsekas)。
- 实践:用Python模拟抛硬币、掷骰子,计算交叉熵损失。
阶段 2:掌握核心工具
- 微积分:
- 重点:梯度、链式法则、多元函数极值。
- 学习资源:
- 3Blue1Brown《微积分本质》系列视频(直观理解)。
- 实践:手动推导逻辑回归的梯度公式,用PyTorch实现自动微分。
- 优化理论:
- 重点:梯度下降、凸优化、拉格朗日乘数。
- 学习资源:
- 书籍:《Convex Optimization》(Boyd)第1-5章。
- 实践:实现SGD优化器,对比Adam和RMSProp的效果。
阶段 3:进阶应用
- 信息论:
- 重点:熵、KL散度、互信息。
- 学习资源:
- 书籍:《Elements of Information Theory》(Cover & Thomas)前4章。
- 实践:计算两个分布的KL散度,分析BERT的MLM损失函数。
- 数值计算:
- 重点:数值稳定性、矩阵条件数。
- 学习资源:
- 课程:Coursera《Numerical Methods for Engineers》。
- 实践:分析梯度爆炸/消失问题,实现LayerNorm。
3. 结合代码实践
- 核心原则:用代码实现数学公式,避免“纸上谈兵”。
- 示例:
- 用NumPy实现矩阵分解(如SVD)。
- 用PyTorch定义一个自定义损失函数(如带KL散度的VAE)。
- 手写反向传播(如2层神经网络的梯度计算)。
- 示例:
- 工具推荐:
- Jupyter Notebook:可视化矩阵运算、梯度下降过程。
- PyTorch/TensorFlow:自动微分库直接关联数学与代码。
- LaTeX:整理数学推导笔记(如Notion或Obsidian)。
4. 从论文和模型中学习
- 方法:
- 精读经典论文:如《Attention Is All You Need》,重点推导QKV矩阵运算和Softmax概率的意义。
- 复现简单模型:从线性回归开始,逐步实现Transformer的自注意力机制。
- 调试代码:在模型训练中监控梯度分布(如TensorBoard),理解数值不稳定的原因。
- 推荐资源:
- 《Dive into Deep Learning》(动手学深度学习)中的数学+代码结合案例。
- Hugging Face源码(如BERT的Attention层实现)。
5. 避免常见误区
- 不要死磕证明:优先理解数学工具的几何意义和应用场景(如特征值分解=坐标变换)。
- 不要孤立学习:将概率与损失函数结合、矩阵乘法与神经网络前向传播结合。
- 不要忽略工程细节:学习浮点数精度(FP32/FP16)对数值计算的影响。
6. 高效学习资源推荐
- 入门课程:
- 吴恩达《深度学习专项课程》(Coursera,侧重直观理解)。
- 3Blue1Brown《线性代数》《微积分》动画系列(B站/YouTube)。
- 进阶书籍:
- 《Deep Learning》(Ian Goodfellow)第2-4章(数学基础章节)。
- 《Mathematics for Machine Learning》(Deisenroth,剑桥大学教材)。
- 工具库:
- SymPy:符号计算库,辅助推导梯度公式。
- Einops:直观操作张量维度,强化线性代数思维。
7. 持续提升:从理论到科研
- 研究方向:
- 分析Transformer的梯度流(需微积分+数值计算)。
- 改进优化器(需优化理论+概率)。
- 设计稀疏大模型(需线性代数+信息论)。
- 社区互动:
- 参与AI数学研讨会(如MIT的Seminars on Mathematics of ML)。
- 在Kaggle/Papers With Code上复现数学密集型的模型(如Diffusion Model)。
总结
- 关键路径:基础数学 → 代码实现 → 模型复现 → 论文精读。
- 核心思维:将数学视为工具,而非目标。例如:
- 线性代数 = 数据的高维空间变换;
- 概率分布 = 模型对世界的建模方式;
- 梯度下降 = 在损失曲面上“导航”最优解。
- 终极检验:能否从零推导一个简单模型(如逻辑回归)的全部数学过程,并用代码实现。
数学是AI的“内功”,短期内可能枯燥,但一旦打通,对模型的理解会远超调参层面。坚持6个月的系统学习,你会发现自己能直接看懂论文公式,甚至提出改进思路!
相关文章:
【人工智能】AI大模型开发数学基础指南
目录 学习内容**1. 线性代数****2. 概率与统计****3. 微积分****4. 优化理论****5. 信息论****6. 数值计算****7. 离散数学****8. 统计学进阶****如何学习?****总结** 如何学习**1. 明确学习目标****2. 分阶段学习计划****阶段 1:夯实基础****阶段 2&…...
直流减速电机控制实验:Simulink应用层开发(3)
文章目录 1 阶段目标2 单元测试方法3 单元测试过程3.1 按键指令识别测试3.2 电机状态转换测试4 代码生成5 总结1 阶段目标 本文是《直流减速电机控制实验》的第四部分,会通过图文结合的方式,手把手带读者操作Simulink工具进行直流减速电机的应用层开发。 本章主要将《直流减…...
隔行换色总结
功能效果展示: 第一种思路: 使用数组,将数组的内容渲染到页面上,序号也就是将数组的下标输出到第一个td上,将数组的内容输出到第二个td上,(使用拼接字符串) 具体操作: …...
【kind管理脚本-2】脚本使用说明文档 —— 便捷使用 kind 创建、删除、管理集群脚本
当然可以,以下是为你这份 Kind 管理脚本写的一份使用说明文档,可作为 README.md 或内部文档使用: 🚀 Kind 管理脚本说明文档 本脚本是一个便捷的工具,帮助你快速创建、管理和诊断基于 Kind (Kubernetes IN Docker) 的…...
Python星球日记 - 第13天:封装、继承与多态
🌟引言: 上一篇:Python星球日记 - 第12天:面向对象编程(OOP)基础 名人说:不要人夸颜色好,只留清气满乾坤(王冕《墨梅》) 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder😊) 目录 一、引言二、封装的概念与实现1. 公有属性与私有属性2. 使用getter和sett…...
基于AT89C52单片机的GSM上报智能家居报警温度烟雾防盗系统
点击链接获取Keil源码与Project Backups仿真图: https://download.csdn.net/download/qq_64505944/90579530?spm1001.2014.3001.5503 功能介绍: 1、功能:具有温度、烟雾、入侵报警功能,采用LCD1602液晶显示屏实时显示温度值与…...
北重数控滑台厂家:机器人地轨究竟是如何运作的,又在哪些领域发光发热呢?
机器人地轨是指利用机器人技术在地面上移动或执行任务的轨道系统。这种系统通常包括导轨、传动装置、传感器和控制系统等组成部分。机器人地轨的运作原理是通过控制传动装置沿着导轨移动,同时利用传感器获取周围环境信息并通过控制系统进行实时调节。 机器人地轨在…...
2025最新系统 Git 教程(三)
2.3 Git 基础 - 查看提交历史 查看提交历史 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的工具是 git log 命令。 我们使用一个非常简单的 simplegit 项目作为示例。 运行下面的命令获取该项目&…...
显示器各类异常处理方法
显示器各类异常处理方法 导航 文章目录 显示器各类异常处理方法导航画面无显示/黑屏/无HDMI信号输入显示器闪烁显示器花屏显示画面模糊或扭曲显示器颜色异常显示器出现死点或亮点 画面无显示/黑屏/无HDMI信号输入 首先应该检查的是显示器电源(真的有人弄掉电源…...
Error 1062 (23000): Duplicate entry ‘‘ for key ‘id‘`
目录 Error 1062 (23000): Duplicate entry for key id1. **问题分析**2. **解决方法****步骤 1:检查 id 字段的值****步骤 2:检查表结构****步骤 3:检查现有数据****步骤 4:检查插入逻辑****步骤 5:修改表结构&#…...
谈谈模板方法模式,模板方法模式的应用场景是什么?
一、模式核心理解 模板方法模式是一种行为设计模式,通过定义算法骨架并允许子类重写特定步骤来实现代码复用。 如同建筑图纸规定房屋结构,具体装修由业主决定,该模式适用于固定流程中需要灵活扩展的场景。 // 基础请求处理…...
未来蓉城:科技与生态共舞的诗意栖居-成都
故事背景 故事发生在中国四川成都的2075年,展现科技与自然深度交融的未来城市图景。通过六个充满想象力的生态装置场景,描绘市民在智慧城市中诗意栖居的生活状态,展现环境保护与人文传承的和谐共生。 故事内容 在电子竹林轻轨站,通…...
模仿axios的封装效果来封装fetch,实现baseurl超时等
因为要在cocos游戏项目里面发送网络请求获取数据,并且还有可能用到websocket发送请求,所以这里封装一个fetch放便使用: // fetch封装// 基础配置 const BASE_URL 你的url const TIMEOUT 5000// 请求封装 const http async (url: string, …...
Linux(CentOS10) gcc编译
本例子摘自《鸟哥的linux私房菜-基础学习第四版》 21.3 用make进行宏编译 书中的代码在本机器(版本见下)编译出错,改正代码后发布此文章: #kernel version: rootlocalhost:~/testmake# uname -a Linux localhost 6.12.0-65.el10.x86_64 #1…...
Design Compiler:语法检查工具dcprocheck
相关阅读 Design Compilerhttps://blog.csdn.net/weixin_45791458/category_12738116.html?spm1001.2014.3001.5482 dcprocheck是一个在Design Compiler存在于安装目录下的程序(其实它是一个指向snps_shell的符号链接,但snps_shell可以根据启动命令名判…...
根据日期格式化的常见规则和标准
根据日期格式化的常见规则和标准,2025年1月9日17:00可以正常格式化。具体分析如下: 1. 日期合法性验证 日期2025年1月9日不存在逻辑错误(如2月30日等非法日期),且时间17:00(24小时制)符合规范…...
macOS Chrome - 打开开发者工具,设置 Local storage
文章目录 macOS Chrome - 打开开发者工具设置 Local storage macOS Chrome - 打开开发者工具 方式2:右键点击网页,选择 检查 设置 Local storage 选择要设置的 url,显示右侧面板 双击面板,输入要添加的内容 2025-04-08ÿ…...
idea 的 WEB-INF 下没有 classes 编译文件,如何添加?
idea 打开项目却没有在 WEB-INF 下找到 classes 编译文件 添加流程如下: 1、选中 File ->Project Structure 后右击 2、选中 Modules ->选中项目 ->点击 Paths ->修改 output path为:项目绝对路径\WebRoot\WEB-INF\classes 3、修改完成后&…...
EasyExcel结合多线程+控制sheet页全量导出
业务分析 内部平台需要一个导出mysql数据到excel的方法,所以使用了EasyExcel 因为EasyExcel的sheet页是放到一个List里面的,如果把百万量级的数据放到sheet页中全量写入会有OOM风险,所以最终选择的方案是分sheet页写入 同时因为该平台是多…...
【学习笔记】RL4LLM
字数溢出,分了一半出来 上半段:LLMRL 文章目录 8 [RL4LLM] 理解 reasoning model Tokenizer 的 chat template,vllm inferencetokenizerchat templatedistill tokenizerqwen tokenizer apply chat templatevllm inference 9 [RL4LLM] PPO wo…...
在Windows搭建gRPC C++开发环境
一、环境构建 1. CMake Download CMake 2. Git Git for Windows 3. gRPC源码 git clone --recurse-submodules -b v1.67.1 --depth 1 --shallow-submodules https://github.com/grpc/grpc grpc-1.67.1二、使用CMake生成工程文件 mkdir cmake_build cd cmake_build cmake…...
NO.76十六届蓝桥杯备战|数据结构-单调栈|发射站|Largest Rectangle in a Histogram(C++)
什么是单调栈? 单调栈,顾名思义,就是具有单调性的栈。它依旧是⼀个栈结构,只不过⾥⾯存储的数据是递增或者递减的。这种结构是很容易实现的(如下⾯的代码),但重点是维护⼀个单调栈的意义是什么 …...
消息队列(Message Queue)简介
消息队列是一种进程间通信(IPC)机制,允许不同进程通过发送和接收消息进行 异步通信。它的核心特点包括: 解耦:消息队列解耦了生产者和消费者,简化了系统设计。 持久化存储:支持将消息存储在队列…...
动/静态库
1.先了解一下动静态库 上图可以看出来静态库就是由一堆进过链接阶段的.o文件组成的.a文件。在这里必须要强调的是库文件格式一定是libxxx.a/so在你进行路径查找使用的时候要去掉lib和后缀使用! 静态库 概念:在程序编译链接阶段,其代码被完整…...
KWDB创作者计划—边缘计算:从概念到落地的技术解读
引言 随着物联网(IoT)和人工智能(AI)的快速发展,数据量呈爆炸式增长,传统的云计算架构逐渐暴露出延迟高、带宽占用大等问题。边缘计算作为一种新兴的分布式计算范式,正在改变数据处理的方式。本…...
ubuntu根文件系统通过uMTP-Responder实现usb的MTP功能
实现mtp设备 添加服务 /home/flynn/firfly_rootfs/lib/systemd/system/adbd.service #start [Unit] Description Adbd for linux Beforerockchip.service[Service] Typeforking ExecStart/etc/init.d/adbd.sh start ExecStop/etc/init.d/adbd.sh stop ExecReload/etc/init.d…...
8、nRF52xx蓝牙学习(boards.h文件学习)
boards.h文件的代码如下: #ifndef BOARDS_H #define BOARDS_H#include "nrf_gpio.h" #include "nordic_common.h"#if defined(BOARD_NRF6310)#include "nrf6310.h" #elif defined(BOARD_PCA10000)#include "pca10000.h" #…...
辛格迪客户案例 | 河南宏途食品实施电子合约系统(eSign)
01 河南宏途食品有限公司:食品行业的数字化践行者 河南宏途食品有限公司(以下简称“宏途食品”)作为国内食品行业的创新企业,专注于各类食品的研发、生产和销售。公司秉承“质量为先、创新驱动、服务至上”的核心价值观ÿ…...
webrtc-stats
1. RTP 相关统计 1.1 inbound-rtp (接收端统计) 接收到的 RTP 流统计信息,包含以下关键指标: bytesReceived: 接收到的字节总数packetsReceived: 接收到的数据包总数packetsLost: 丢失的数据包数量jitter: 数据包到达时间的抖动(毫秒&…...
【LangChain框架组成】 LangChain 技术栈的模块化架构解析
目录 整体架构概述 整体架构层级划分 模块详细解析 1. 部署与服务层(LangServe & Deployments) 2. 应用模板层(Templates & Committee Architectures) 3. 核心功能层(LangChain) 4. 社区扩展…...
RNN、LSTM、GRU汇总
RNN、LSTM、GRU汇总 0、论文汇总1.RNN论文2、LSTM论文3、GRU4、其他汇总 1、发展史2、配置和架构1.配置2.架构 3、基本结构1.神经元2.RNN1. **RNN和前馈网络区别:**2. 计算公式:3. **梯度消失:**4. **RNN类型**:(查看发展史)5. **…...
用TypeScript和got库编写爬虫程序指南
用TypeScript和got库写一个爬虫程序。首先,我得确认他们对TypeScript和Node.js的基础了解,可能他们已经有了一些JS的经验,但不确定。接下来,需要明确爬虫的目标,比如要爬取的网站、需要的数据类型以及处理方式。 首先…...
使用 Spring Boot 快速构建企业微信 JS-SDK 权限签名后端服务
使用 Spring Boot 快速构建企业微信 JS-SDK 权限签名后端服务 本篇文章将介绍如何使用 Spring Boot 快速构建一个用于支持企业微信 JS-SDK 权限校验的后端接口,并提供一个简单的 HTML 页面进行功能测试。适用于需要在企业微信网页端使用扫一扫、定位、录音等接口的…...
【软考-架构】13.2、软件层次风格
✨资料&文章更新✨ GitHub地址:https://github.com/tyronczt/system_architect 文章目录 2、层次架构风格两层C/S架构三层C/S架构三层B/S架构富互联网应用RIAMVC架构MVP架构MVVM架构 ✨3、面向服务的架构风格SOASOA中应用的关键技术WEB Service企业服务总线ESB …...
Java 进阶-全面解析
目录 异常处理 集合框架 List 集合 Set 集合 Map 集合 文件与字符集 IO 流 多线程 通过继承Thread类创建线程 通过实现Runnable接口创建线程 线程同步示例 线程通信示例 网络编程 Java 高级技术 反射机制 动态代理 注解 异常处理 在 Java …...
mongodb 创建keyfile
在 MongoDB 中,keyFile 是用于副本集成员间内部认证的密钥文件。它是一个包含随机字符串的文件,所有副本集成员必须使用相同的 keyFile 进行通信。以下是创建和配置 keyFile 的详细步骤。 创建 KeyFile 的步骤 1. 生成随机字符串 使用以下命令生成一个…...
工业4.0时代,RK3562工控机为何成为智慧工位首选?
在制造业数字化转型的浪潮中,智慧车间已成为提升生产效率、降低运营成本的关键战场。作为智慧车间的"神经末梢",工位机的智能化程度直接影响着整个生产线的运行效率。RK3562工控机凭借其强大的计算性能、稳定的运行表现和丰富的接口配置&#…...
WPF 资源加载问题:真是 XAML 的锅吗?
你的观察很敏锐!确实,在 WPF 项目中,.cs 文件主要负责逻辑实现,而资源加载的问题通常跟 XAML(以及它背后的 .csproj 配置)关系更大。我会围绕这个观点,用 CSDN 博客风格详细解释一下 .cs、XAML …...
5. 深度剖析:Spring AI项目架构与分层体系全解读
1、前言 前面我们已经可以通过简单的方式集成Spring AI进行快速开发了。授人以鱼不如授人以渔,我们还是需要了解Spring AI的项目结构,以及他的一些核心概念。 2、项目结构 我们将Spring AI代码直接fork到我们自己的仓库中。fork的目的是方便我们为了学…...
2025最新数字化转型国家标准《数字化转型管理参考架构》 正式发布
当前,数字化转型是数字时代企业生存和发展的必答题,其根本任务是价值体系优化、创新和重构。数字生产力的飞速发展不仅引发了生产方式的转变,也深刻改变了企业的业务体系和价值模式。 为进一步引导企业明确数字化转型的主要任务和关键着力点…...
蓝桥杯备赛 Day 20 树基础
![[树的基础概念.png]] 树的遍历 二叉树遍历分类 DFS前序遍历 根节点-左儿子-右儿子 DFS中序遍历 左儿子-根节点-右儿子 DFS后序遍历 左儿子-右儿子-根节点 BFS层序遍历![[树的遍历.png]] 代码: #include <bits/stdc.h>using namespace std; const int N20; i…...
清晰易懂的Jfrog Artifactory 安装与核心使用教程
JFrog Artifactory 是企业级二进制仓库管理工具,支持 Maven、Docker、npm 等 30 包格式。本教程将手把手教你完成 安装、配置、核心操作,并指出企业级部署的避坑要点,助你快速搭建私有仓库! 一、安装 JFrog Artifactory࿰…...
苍穹外卖总结
苍穹外卖学习知识点 整体概括: 学到目前(day10),总体最核心的部分就是CURD各种数据,因为一些接口,前端页面都已经设计好,在实际开发中也应该是这样,重点是在每个不同的业务板块区别出细微不同的业务逻辑 Swagger注解 swagger是一种自动生成接口文档的插件 使用注解,就可以…...
python学智能算法(九)|决策树深入理解
【1】引言 前序学习进程中,初步理解了决策树的各个组成部分,此时将对决策树做整体解读,以期实现深入理解。 各个部分的解读文章链接为: python学智能算法(八)|决策树-CSDN博客 【2】代码 【2.1】完整代…...
HTTP代理:内容分发战场上的「隐形指挥官」
目录 一、技术本质:流量博弈中的「规则改写者」 二、战略价值:内容分发的「四维升级」 三、实战案例:代理技术的「降维打击」 四、未来进化:代理技术的「认知升级」 五、结语:代理技术的「战略觉醒」 在数字内容爆…...
学习笔记(C++篇)--- Day2
1.类的定义 1.1 类的格式 ①class为类的关键字 ②在类的内容中还可以写函数,具体格式请看示例。 ③为了区分成员变量,一般习惯上成员变量会加一个特殊标识(如成员变量前面或者后面加_ 或者 m开头,注意C中这个并不是强制的&#x…...
下载firefox.tar.xz后如何将其加入到Gnome启动器
起因:近期(2025-04-07)发现firefox公布了130.0 版本,可以对pdf文档进行签名了,想试一下,所以卸载了我的Debian12上的firefox-esr,直接下载了新版本的tar.xz 包。 经过一番摸索,实现了将其加入Gn…...
VSCode英文翻译插件:变量命名、翻单词、翻句子
目录 【var-translate】 【Google Translate】 【code-translator】 【其他插件】 【var-translate】 非常推荐,可以提供小驼峰、大驼峰、下划线、中划线、常量等翻译,Windows下快捷键为Ctrl Shift v 可以整句英文翻译,并且支持多个免费…...
快速高效的MCP Severs
通用AI Agent的瓶颈 最近一直在用MCP协议开发通用智能体。 虽然大模型本身请求比较慢,但是还可以接受。 而最让人沮丧的是,工具效率也不高 比如社区的filesystem,每次只能创建一个目录,生成文件时,如果目录不存在&…...
原子化 CSS 的常见实现框架
原子化 CSS 是一种 CSS 架构方法,其核心思想是将样式拆分为最小粒度的单一功能类,每个类仅对应一个具体的样式属性(如颜色、边距、字体大小等),通过组合这些类来构建复杂的界面。这种方式强调代码复用性、维护性和灵活…...