个人笔记

厝铁足青铜圆鼎

• 1970年代出土于河北省平山县三汲乡中山王墓，战国时期中山国青铜器
• 鼎通高51.5厘米，重60公斤，为九件升鼎中的首鼎，采用铜铁合铸工艺制作，鼎身铜制而鼎足铁制，外壁刻有77行共469字铭文；铭文记载了中山国与齐国联合伐燕的历史事件及治国训诫
• 目前已知铭文最长的战国青铜器，铭文兼具历史文献与书法艺术双重价值
• 现藏于河北博物院，2002年列入《首批

Read more

竹林七贤与荣启期模印砖画

• 1960年出土于南京西善桥宫山北麓，南朝模印砖画
• 砖画由648块长方形青砖拼镶而成，分为两幅左右两部分对称安置于墓室两壁。南墓壁描绘的是嵇康、阮籍、山涛、王戎的画像，高78厘米，长242.5厘米；北墓壁描绘的则是向秀、刘伶、阮咸、荣启期的画像，高78厘米，长241.5厘

Read more

前置知识：强化学习入门、蒙特卡洛法、马尔可夫决策过程 MDP

时序差分算法

时序差分（temporal difference，TD）

• 一种用来估计一个策略的价值函数的方法，结合了蒙特卡洛和动态规划算法的思想
• 时序差分 vs 蒙特卡洛：都可以从样本数据中学习，不需要事先知道环境；但蒙特卡洛法需要完成整个序列后才能计算得到回报 $G_{t}$，而时序差分法只需要当前步结束即可进行计算
• 时序差分 vs 动态规划：都可以根据贝尔曼方程来更新当前状态的价值估计

回顾 MDP 中状态价值函数的贝尔曼方程： $$ v_{

Read more

马尔可夫过程

马尔可夫过程（Markov process）是一类具有马尔可夫性质的随机过程

• 由俄国数学家A.A.马尔可夫于 1907 年提出。该过程具有如下特性：在已知目前状态（现在）的条件下，它未来的演变（将来）不依赖于它以往的演变 (过去 )
• 例如森林中动物头数的变化构成——马尔可夫过程。在现实世界中，有很多过程都是马尔可夫过程，如液体中微粒所作的布朗运动、传染病受感染的人数、车站的候车人数等

马尔可夫性质（Markov property，MP）：如果某一个过程未来某个时刻的状态与过去的状态无关，只由现在的状态决定，那么其具

Read more

前置知识：马尔可夫模型，强化学习入门

MDP 的定义

马尔可夫奖励过程（Markov reward process，MRP）

• 在马尔可夫过程的基础上加入奖励 $R$ 和奖励衰减因子 $\gamma$
• 马尔可夫奖励过程中时刻 $t$ 的回报 $G_{t}$ 是未来奖励的衰减折现

$$ G_{t}=R_{t}+\gamma R_{t+1}+\gamma^2 R_{t+2}+\dots+\gamma^n R_{t+n} $$

• 马尔可夫奖励过程中的状态价值函数 $v(s)=E[G_{t}|S_{t}=s]$

Read more

强化学习的定义

强化学习（reinforcement learning，RL）

• RL 是 Agent 通过动作与环境交互，从而实现特定目标最优化的一种计算方法
• Agent 在环境状态为 $S_{t}$ 的情况下产生一个动作决策 $A_{t}$，并将 $A_{t}$ 作用到环境中
• 然后环境发生相应的改变，并将相应的奖励反馈 $R$ 和下一轮状态 $S_{t+1}$ 传回机器
• 以上交互是迭代进行的，目标是最大化在多轮交互过程中获得的累积奖励的期望

强化学习的三个基本要素：

1. 状态 $S$，Agent 需要能感知当前环境的状态；比如 AlphaGo 需要了

Read more

前情提要：

• 之前在针对LaTex公式识别时主要用的是在线OCR 工具-simplex
• 但这个工具现在每天会有时间限制，因此考虑增加一个本地ocr 工具

LaTex -OCR 介绍

项目地址

功能介绍：接收数学公式的图像并返回相应的 LaTeX 代码

模型结构：ViT 编码器 + ResNet 主干网络 + Transformer 解码器

性能表现：

LaTex-

Read more

大克鼎

• 清朝光绪中期出土于陕西扶风县法门镇任村，西周中期青铜器
• 西周大克鼎通高93.1厘米，口径75.6厘米，腹径74.9厘米，腹深43厘米，重201.5公斤。鼎立耳，口沿下饰变形兽面纹，中又饰小兽面纹，并有觚棱凸棱，整个造型庄严厚重。腹内铸铭文290字，铭文行间皆有线相隔，笔势圆润。
• 铭文内容则是研究西周土地制度和官制的重要资料，对于研究西周时期的职官、礼仪、土地制度等

Read more

# Role: 万能 AI 文生图提示词架构师

## Profile

你是一位经验丰富、视野开阔的设计顾问和创意指导，对各领域的视觉美学和用户体验有深刻理解。同时，你也是一位顶级的 AI 文生图提示词专家 (Prompt Engineering Master)，能够敏锐洞察用户（即使是模糊或概念性的）设计意图，精通将多样化的用户需求（可能包含纯文本描述和参考图像）转译为具体、有效、能激发模型最佳表现的文生图提示词。

## Core Mission

- 你的核心任务是接收用户提供的任何类型的设计需求，基于对文生图模型能力边界的深刻理解进行处理。 - 通过精准的分析（仔细理解用户提供的

Read more

输出长度 output length

• 指定输出文本中的 token 最大长度，一般达到最大 token 时会自动截断
• 输出长度的设置，并不会导致 LLMs 的输出简洁（可以通过提示工程来实现）
• 限制最大输出长度，有助于减少能耗，降低响应时间，规避 LLMs 的无效输出

温度 temperature

• 控制结果的随机性，较高的温度设定会导致输出结果的多样化和不确定性增加
• 温度较低可以增强 LLMs 对提示词的服从性，偏创意输出的试验可考虑高温度

注意：

• 当温度设

Read more