核心创新：Swin Transformer 用「窗口注意力」降低计算复杂度，用「移位窗口注意力」解决窗口间信息孤立问题，适配高分辨率视觉任务；数学核心：窗口内自注意力公式，其中掩码 M 是移位窗口的关键；代码核心：窗口划分 / 还原是窗口注意力的基础；移位 + 掩码是实现 Shifted Window 的核心；Patch Merging 实现分层下采样，模仿 CNN 的层级特征。

定义要测试的文本，其中[MASK]是 BERT 的专用掩码标记—— 代表需要模型预测的位置，这是 MLM 任务的核心标识，模型会自动识别这个标记并预测它对应的词。text = "今天的天气很[MASK]，适合出门散步。核心概念：BERT 的核心是双向自注意力 + MLM 预训练，能理解上下文语义，输入是 “词嵌入 + 句子嵌入 + 位置嵌入” 的叠加。核心公式：多头自注意力是 BERT 的基础，M

V：内生变量（可观察、可干预的变量，如价格、销量、治疗方案）；U：外生变量（隐变量、背景变量，如个体基因、未观测的混杂因素）；F：因果函数集；P(u)：外生变量的联合分布，决定了内生变量的观测分布。将目标因果量Q表示为 SCM 的属性，即明确要估计的因果查询。

图结构，V 是节点集合。，有标签或无标签节点集合。，节点 i 的标签，yi​∈Y（Y 是标签集合，如 {0,1,2}）。，节点 i 的邻居集合，直接相连的节点。，指示函数，条件满足为 1，否则为 0。，转移矩阵。"""标签传播算法（硬更新/投票版）:param graph: NetworkX图对象，节点需包含属性 'label'（有标签节点赋值，无标签为None）:param max_iter:

神经网络是一种模仿人脑神经元结构的机器学习模型，由输入层隐藏层输出层组成，核心是通过数据驱动的方式学习输入与输出之间的映射关系。（注：通过输入层隐藏层输出层顺序串联，完成从原始数据到最终预测结果的转换，就像工厂的 “原材料接收→加工生产→成品输出” 流水线，且只有输入层和输出层是 “可见层”，直接对接数据和结果；隐藏层是网络的 “黑箱核心”，负责特征学习和数据变换。神经网络本质：通过权重和偏置的学

ViT 核心流程：图像分块→添加分类 Token→位置编码→Transformer 编码器→分类头，核心是用自注意力捕捉全局特征关键设计：Patch Embedding 将 2D 图像转为 1D 序列，分类 Token 专门用于分类，可学习位置编码适配图像任务代码核心：多头注意力的维度变换、残差连接 + 预归一化的编码器结构、仅使用分类 Token 做预测的设计。

当人们谈到世界模型时，必然绕不开一篇巨作———《World Models》。这篇文章是世界模型开山与标杆，首次提出 “世界模型” 三组件，即VAE+RNN + 控制器，用模型生成虚拟数据训练策略，奠定世界模型范式。接下来，我的内容也会围绕这篇文章，解读世界模型的核心机理，如果有不足，请大家的批评指正。文章结尾处，会放置文章链接。

第 t 代第 i 只火烈鸟的位置。，第 t 代全局最优火烈鸟的位置最优解。，第 t 代火烈鸟群体的平均位置。N，火烈鸟种群规模。d，解空间维度。α，觅食步长因子（通常 0<α<1）。β，聚集因子（通常 β∈[0,2]）。r1​,r2​，随机数（0<r1​,r2​<1）。P，迁徙概率（通常 P=0.1）。"""Sphere函数：用于测试优化算法的经典函数，最小值在x=0处，值为0参数x：单个火烈鸟的

3. 定义并训练SVM模型（对比线性核和RBF核）# 3.1 线性核SVM# C=1.0：惩罚系数（默认值），C越大对误分类惩罚越重；kernel='linear'指定线性核svm_linear.fit(X_train, y_train) # 用训练数据训练模型# 3.2 RBF核SVM（处理非线性场景）# gamma='scale'：gamma是RBF核的参数，scale表示gamma=1/(n