Draw绘制流程：在上一次https://www.cnblogs.com/webor2006/p/12167825.html对于View的测量布局进行了整体的学习，接下来则需要关注咱们的UI是如何绘制出来的，此时就需要再来分析一下系统源码【这里以Android 8.1源码进行分析】来梳理整个的调用流程了，根据上一次的测量流程最终会调用到这进行绘制：而这个方法里面会调用performMea...

在17年的时候曾经专门对数据结构跟算法进行了学习，不过，没有系统学完就半途而废了，当时我记得是学到了图相关的东东，转眼到19年过去两年了，对于这块的东东决定还是重拾起来从0开始系统完整的把它学完，不管是为了跳槽还是说为了工作，不能给自己技术树上留下遗憾。数据结构与算法概念：对于这些概念其实在大学都已经学过了，不过为了完整性还是得要大概对它们进行一个复习。数据结构研究的内容：定义：数据结构...

摘要：ChatGPT的核心在于1750亿参数的函数通过海量训练数据学习语言规律而非死记硬背。训练过程中参数逐渐调整，最终形成抽象的知识关联（如动物与食物的关系），使模型具备泛化能力。然而这些知识分散存储于参数组合中，单个参数功能不可解释，形成"黑箱"效应。模型训练完成后参数即固定，使用时不会继续学习。参数量并非越大越好，需平衡成本与性能。当前AI可解释性研究面临挑战，与人脑类似

接上篇继续往下学习。上篇搞清楚了ChatGPT是个1750亿参数的函数，靠几千亿次"猜→错→改"训练出来的。但这引出了一个更让人好奇的问题：训练完了，这1750亿参数里头到底存了啥？它们是死记硬背的答案，还是真的"学会"了语言的规律？再进一步——有没有人能说清楚每个参数具体是干嘛的？第二个问题的答案，说实话有点意外。模型其实是被逼着"理解"的先扯远点。上学时候备考，有两种人。一种题海战术，见过的都

前几篇一直叫它"函数"、"文字接龙"，它到底有没有正经名字？这篇正式引入"语言模型"。先从生活里的"模型"说起——天气预报、导航地图都是用简化数学描述复杂现实，语言模型也一样，只不过它描述的是"下一个词出现的概率"P(w|C)。接着学了概率分布如何编码三种语言规律：语法约束、语义连贯、上下文相关。还有个冷知识——香农在 1948 年就提出了语言模型的思想，比 ChatGPT 早了 75 年。然后探

前几篇一直叫它"函数"、"文字接龙"，它到底有没有正经名字？这篇正式引入"语言模型"。先从生活里的"模型"说起——天气预报、导航地图都是用简化数学描述复杂现实，语言模型也一样，只不过它描述的是"下一个词出现的概率"P(w|C)。接着学了概率分布如何编码三种语言规律：语法约束、语义连贯、上下文相关。还有个冷知识——香农在 1948 年就提出了语言模型的思想，比 ChatGPT 早了 75 年。然后探

前几篇一直叫它"函数"、"文字接龙"，它到底有没有正经名字？这篇正式引入"语言模型"。先从生活里的"模型"说起——天气预报、导航地图都是用简化数学描述复杂现实，语言模型也一样，只不过它描述的是"下一个词出现的概率"P(w|C)。接着学了概率分布如何编码三种语言规律：语法约束、语义连贯、上下文相关。还有个冷知识——香农在 1948 年就提出了语言模型的思想，比 ChatGPT 早了 75 年。然后探

前几篇一直叫它"函数"、"文字接龙"，它到底有没有正经名字？这篇正式引入"语言模型"。先从生活里的"模型"说起——天气预报、导航地图都是用简化数学描述复杂现实，语言模型也一样，只不过它描述的是"下一个词出现的概率"P(w|C)。接着学了概率分布如何编码三种语言规律：语法约束、语义连贯、上下文相关。还有个冷知识——香农在 1948 年就提出了语言模型的思想，比 ChatGPT 早了 75 年。然后探

为什么 ChatGPT 聊着聊着就"飘"了？这篇从"预测下一个词"这个看似简单的任务说起——多义词、指代歧义、隐藏逻辑、话里有话，这四个场景说明模型为了猜准下一个词，被迫学会了语法、语义、常识、逻辑等几乎所有语言能力。接着学了自回归机制（一个词一个词往外蹦，像滚雪球），以及它天生的毛病——误差累积，一步偏了后面全歪。然后从日常 API 账单上常见的 token 切入，搞清楚了 token 不是"词

为什么 ChatGPT 聊着聊着就"飘"了？这篇从"预测下一个词"这个看似简单的任务说起——多义词、指代歧义、隐藏逻辑、话里有话，这四个场景说明模型为了猜准下一个词，被迫学会了语法、语义、常识、逻辑等几乎所有语言能力。接着学了自回归机制（一个词一个词往外蹦，像滚雪球），以及它天生的毛病——误差累积，一步偏了后面全歪。然后从日常 API 账单上常见的 token 切入，搞清楚了 token 不是"词