对称归一化的拉普拉斯矩阵的优点是能够避免不同节点度数差异较大造成的计算不平衡问题，从而提高了算法的稳定性和收敛速度。对称归一化的拉普拉斯矩阵是通过将标准的拉普拉斯矩阵进行归一化得到的。在对称归一化的拉普拉斯矩阵中，每个非零节点都被除以该节点的度数的平方根，从而使得每个节点的度数对它的邻居节点的贡献相同。对于一个有向图，有两种常用的拉普拉斯矩阵：对称归一化拉普拉斯矩阵和非对称拉普拉斯矩阵。是度数矩阵

随着模型越来越大，全量微调变得越来越不可行。作者提出了低秩适配器（LoRA），它冻结了预训练的模型权重，并将可训练的秩分解矩阵注入到 Transformer 架构的每一层中，大大减少了下游任务的可训练参数的数量。在GPT-3 175B使用Adam上，与全量微调相比，LoRA减少了10，000倍参数量，减少了3倍GPU内存消耗。🧐与Adapter相比，没有额外的推理延迟下面是对语言建模问题的简要描

Typora+PicGO+gitee实现图床解决Typora图片不显示的问题

Gemini已经对开发者开放了Gemini Pro的使用权限，目前对大家都是免费的，每分钟限制60条，至少这比起CloseAI的每个账户5刀限速1min3条要香的多，目前已于第一时间进行了体验一句话总结，google很大方，但感觉模型的回答有些不尽人意。