Mac外接显示器时Dock常会跑到副屏上，影响使用效率。解决方法：先按Option+Command+D开启Dock自动隐藏，再将鼠标移到主屏底部边缘唤出Dock，最后再次按下快捷键关闭自动隐藏。这个操作利用了macOS根据最近触发屏幕决定Dock位置的机制，通过"隐藏-主屏唤醒-固定"三步即可将Dock锁定在主屏。该方法简单有效，无需修改系统设置或重启，但需注意频繁在副屏操作仍

本文介绍了使用Claude CLI工具时的关键第一步——执行/init命令。文章指出，许多用户会直接让Claude优化代码，却忽略了初始化项目上下文的重要性。/init命令会引导Claude识别项目类型（如Git仓库、语言框架等），建立项目级上下文，从而避免后续出现理解偏差。执行该命令后，Claude会生成包含项目概览、架构说明等信息的文档，为后续协作提供基础。作者强调，先让Claude&quot

LLM类比汽车发展

大模型token的增加，引发的思考

本文梳理了自回归模型到大语言模型（LLM）的技术演化。文章指出：传统 AR/ARIMA 通过“利用过去预测未来”奠定序列建模基础；RNN/LSTM 继承自回归思想并增强非线性表达；Transformer 则以注意力机制突破长依赖限制，并在因果 Mask 下继续采用自回归训练。最终，现代 LLM 本质上仍是自回归序列模型的规模化进化。理解自回归，是理解 LLM 的关键起点。

通过这篇博客，读者可以掌握从特征构建、单步预测、多步预测到隐变量AR建模的完整流程，并理解预测误差随步数增长的原理，为时间序列建模与分析提供参考。

摘要： 神经网络中的hidden与概率模型中的latent虽均译为“隐”，但本质不同。Hidden是确定性中间表示（如RNN的$h_t$），通过前向传播直接计算；而latent是未观测的随机变量（如VAE的$z$），需通过推断（如后验分布）估计。关键区别在于：hidden是函数计算的确定值，latent是概率建模的随机变量。混用源于中文翻译相同及模型交叉（如VAE同时包含两者），但数学地位截然不同

本文深入解析了深度学习中的梯度爆炸问题。梯度爆炸指反向传播时梯度值指数级增长，导致数值溢出和训练不稳定。其核心原因是深层网络梯度链式乘积中权重矩阵范数大于1时的累乘效应，尤其在ReLU激活函数下梯度路径筛选会放大该问题。数学推导和实验表明，即使初始梯度正常，连续矩阵相乘也会快速引发数值爆炸。梯度爆炸会导致浮点数溢出、参数更新失控等问题，严重影响模型训练。理解这一现象的成因有助于设计更稳定的网络结构

摘要： 深度神经网络训练中的数值稳定性问题常导致梯度消失或爆炸，表现为loss异常、参数更新停滞等。数值不稳定源于多层计算的连续叠加效应——前向传播中微小偏差被放大或压缩，反向传播中梯度尺度不断变化。这种尺度偏移并非单层异常，而是多层累积的结果。理解数值稳定性是解决训练不稳定的关键，需从计算过程而非单纯调参角度分析。后续将探讨反向传播中梯度的具体传播机制与尺度问题的形成过程。（149字）

本文从反向传播的机制出发，分析了深度神经网络中梯度爆炸和梯度消失问题的本质。文章指出，这两种现象并非独立问题，而是梯度在多层连续计算中被不断缩放后的两种极端表现。当每一层对梯度的缩放作用略大于1时，多层叠加会导致梯度指数级增长（爆炸）；当缩放作用略小于1时，梯度会逐渐衰减至消失。深度网络的连乘效应放大了单层计算的微小偏差，使梯度稳定性变得极其敏感。理解这一统一视角是解决神经网络训练稳定性问题的关键