2025 年 9 月记事板

3 日

这一板是第二十四板，意味着记事板已经快两年了。

今天大阅兵，看爽了。

提前半个小时，七点半起床然后各种收拾准备，最后八点多就开始看，那会差不多是将军下车走红毯进场。

最爽的是同学上午的课是《机器学习》，而我一年前提前修了，这样不用跑到远远的、臭臭的西区苏教上课，还给我腾出了看阅兵的时间。直接宿舍就我一个人大音量外放，爽翻了！

刚刚洗澡前又完整看了一遍近一个小时的回放（仅最壮观的分列式到结束，前面就没看了），直播时看还是遗漏了不少细节，回放时还是感到心潮澎湃。

上一次阅兵要追溯到六年前的 2019 国庆大阅兵了，那会应该是看了直播，不过那会没有留下啥记录。而再往前的 2017 朱日和大阅兵有所耳闻，以及 2015 的九三大阅兵，都因涉世尚浅而印象不深了。

因此这次的阅兵对我个人的意义就显得格外的重要，以至于我非常期盼。像去年建国 75 周年还去查了下才知道没有阅兵，小失望。但好在第二年就有大阅兵弥补遗憾了。

其实之前我觉得阅兵对于非军迷来说，感受并没有军迷那么深。因为我这样的军盲对武器装备一窍不通，那些参数代号什么的也是左耳进右耳出的，顶多是看看外貌，夸夸这个真的帅，那个真的大，很难像军迷一样洞见差异，因此他们在啧啧称叹时往往我就只能袖手旁观。

但是前阵子阅兵演练后流出来的一些影像资料改变了我的看法，因为出现了一些连军迷都一头雾水的新式装备（当然，只是对军迷而言），而且它们造型千奇百怪，让人看了真是血脉喷张。

因此，在阅兵式中最吸引我的武器装备不是前面的 99B、百式坦克，不是又长又圆的东风 61，不是分成三段超粗的东风 5C，而是那像镜子一样的激光武器、各种各样的无人装备（比如最前面那个超酷的无人察打一体无人机）等。前者我只能夸太帅了、太大了、太粗了，但后者是真正让我感觉到「科技感」「未来感」的装备，我会发出太酷了的惊叹。

哎呀，这次阅兵太完美了，远远超过了我的预想，拉高了我的阈值。四年后的国庆大阅兵，又能否满足我这被撑大了的胃口呢？拭目以待！

另外再分享一个趣闻，其实今天有不少趣闻，但这个最令我绷不住。那就是 N 站有转播直播九三大阅兵，记得我九点出头去看的时候还有八千多人在看。而且是在首页，一进去贴脸大大的就是了。

点了链接看了看简介，看到下面的更绷不住了：

今回の軍事パレードは、正しい第二次世界大戦史観を発揚するとともに、
戦後の国際秩序と国際公平正義を断固守るという中国の厳粛な宣言となる。

本次阅兵，是弘扬正确的二战史观，
也是中国坚决捍卫战后国际秩序和国际公平正义的庄严宣示。

稍微查了下，这个是 CCTV 对外的？那就合理了。主要是感觉 N 站上这个很搞，在日本普遍那种观点下。

6 日

终于把 DP 这篇写成博文了！

翻了一下时间，一开始的问题是在 8.6 提出的，断断续续设置了好几周的任务要将其整理成一篇文章的任务，但一直拖延没有动笔。终于在今天花了大半天的时间一口气弄完了，正好一个月。

这篇是继 Git 那篇博文后我的第二篇课外知识笔记，当然绝大多数内容依旧是与 AI（主要是 Gemini）交流学习到的。

跟 Git 那篇不同的是，这篇篇幅比较短，甚至比我预想还要短上一部分，不过包含了很多理论、数学的内容，让我有点怀念。

「高斯机制」那部分比较仓促，实际上除了高斯机制的其他部分基本上都很快就搞明白了，而高斯机制部分我就产生了很多困惑，同时在追问下也没能得到很好的解答（后面转用 ChatGPT 了，那会好像 5 刚出来，意外地有点收获），同时还与之前概率统计课学习的假设检验联系上了。

当然当时还是似懂非懂，有一部分只是问了没看，打算后面写的时候再看。结果到真正写的时候就是连前面都不太懂，不知何从下笔了。

因此最后我直接放弃了那部分相关的数学推导了。

诚然我列出了一本书的名称，但那也只是 Gemini 告诉我的，我自己倒是没看过。也不打算看了，因为其实我已经对这个问题有了一个大致的了解了，再深入也是有点吃力了。

说起来有点悲哀，我现在的数学水平已经是相当差劲了，微积分、线性代数、离散数学、概率论都是一知半解。不能说是学了后忘记了，其实本身也没有完全理解。昔日的荣光不再、热情不存，有点痛心疾首。

扯远了，说回到这个。我感觉这种从 AI 中汲取有点兴趣内容的知识，然后转化成文字记录是一个比较好的方式，去拓宽自己的知识面。

常常也会有很多灵光乍现的念头会去问一下 AI，但是要么就是那会知道了就不了了之了，要么就是没有继续追问、只是浮于表面，这样都没能将知识固化。

因此从 Git 那篇开始，我就尝试要将起码一部分内容记录下来。虽然现在已经写了两篇了，但可见效率实在是低下。这篇还算是好的了，一个月就完成了。像 Git 那篇是五月好像问的，直到暑假的七月才写。当然在此之间还有很多的问题一样是只存在了历史记录当中，几乎必然不会再翻阅了。

虽然说大部分内容来自 AI，但我还是几乎要花上一天才能整理成一篇文章。因为又不是问一次就可以直接复制粘贴成一篇文章的，也不是简单粗暴地将多个回答拼凑在一起，是需要重新按照一个比较合理、正常的逻辑顺序梳理的。在此过程中也需要对措辞、格式、例子等多方面进行调整。

Git 那篇倒还好，虽然说字数多，但确实不少是直接复制粘贴的。而 DP 这篇其实因为时间长了，我还是需要重新去理解、书写的，我基本上就是边写边重新去学习的。像下面的参考内容一开始也是没看过的，都是实际写的时候纳入进去的（虽说其实只是为了让参考不要只有 AI 那么难看）。当然，整理过程中也少不了再继续开新的对话继续问。

后面倒也不一定要写成博文的形式就是了。我觉得降低知识落地成本的一个方法就是要尽可能地减小摩擦。毫无疑问现在的摩擦是比较大的，先不说我还要考虑 front matter 怎么写，就是笔记内容的再书写已经够我喝一壶了，像上面那样一篇要写一天，是完全不可持续的。因此若是要将这个普遍化，就一定要寻求更好的方式。

不管怎么说，这还是算一个良好的尝试，希望可以坚持下来。