技术专栏 第347页

该算法是secp256k1库早期所使用的算法，其核心思想是将标量k（以256位标量为例）按
bits位划分为256/bits个窗口，然后根据预计算查找表查找每个窗口值对应的点，再将每个窗口点相加即可得到最终结果R，其数学公式如下：

Alert：
https://x.com/USPD_io/status/1996711283446464598

如果我们用MLP处理图像，用输入层图像$\mathbf{X}(高H,宽W)$、其隐藏层表示$\mathbf{H}$是矩阵或者说是二维张量，且二者形状相同。

我们想要所有隐藏神经元都能接收到每一个像素的信息，就要使用四阶张量$\mathbf W$。

设 $bias=\mathbf U$，可以把全连接层写为：

$$

\begin{split}\begin{aligned} \left[\mathbf{H}\right]
{i, j} &= [\mathbf{U}] + \sum_k \sum_l[\mathbf{ W}]
{i, j, k, l} [\mathbf{X}]\ \ &令 k = i + a，l = j + b，则 [\mathbf W]
{i,j,i+a,j+b} = [\mathbf V]\

\&= [\mathbf{U}]
{i, j} +
\sum_a \sum_b [\mathbf{V}] [\mathbf{X}]_{i+a, j+b}\end{aligned}\end{split}

$$

我们为什么做$W\rightarrow V$这个公式的形式上的变换呢？

为了便于理解、过渡

最大似然估计的核心思想：

补充：GenerateModel 是替代之前的 ImageModel 而新设计的接口，完全兼容 ImageModel 且概念范围更广（旧接口仍可用）。

Simulator.app只是定义了模拟器的
UI。

虽然效果算不上惊艳，但是质量和效率做了很大的平衡，很短的时间就能得到可用的代码，呈现的功能也算完善。

35+的传统程序员或许已经卷不赢 初出象牙塔的萌新码农，或许将这三者结合，形成工程化会是现阶段大龄码农的某条出路。