這篇文章用來測試我們剛才幫部落格加上的數學公式支援是否完美運作!

1. 行內公式 (Inline Math)

在一般的句子中,可以使用單錢號來包住公式。例如著名的質能等價公式:E=mc2E = mc^2。

在說明 LLM 模型維度時,可以這樣寫:令輸入張量為 X∈RB×T×CX \in \mathbb{R}^{B \times T \times C},其中 BB 是 Batch Size,TT 是序列長度 (Sequence Length)。

上一篇文章裡提到的箭頭符號,也會漂亮地渲染成:A→BA \rightarrow B 或是 X⇒YX \Rightarrow Y。

2. 獨立區塊公式 (Block Math)

如果是比較複雜、需要獨立成一行展示的數學公式,可以使用雙錢號 $$ 來排版。這在寫 AI 文章時非常實用!

例如 Transformer 最核心的 Attention 機制:

Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V

或者是深度學習常見的交叉熵損失函數 (Cross Entropy Loss):

L=−1N∑i=1N∑c=1Cyi,clog⁡(y^i,c)\mathcal{L} = -\frac{1}{N} \sum_{i=1}^{N} \sum_{c=1}^{C} y_{i,c} \log(\hat{y}_{i,c})

3. 矩陣排版

甚至可以輕鬆渲染複雜的矩陣結構:

W=[w1,1w1,2…w1,nw2,1w2,2…w2,n⋮⋮⋱⋮wm,1wm,2…wm,n]\mathbf{W} = \begin{bmatrix} w_{1,1} & w_{1,2} & \dots & w_{1,n} \\ w_{2,1} & w_{2,2} & \dots & w_{2,n} \\ \vdots & \vdots & \ddots & \vdots \\ w_{m,1} & w_{m,2} & \dots & w_{m,n} \end{bmatrix}