不止热门角色,我们为你扩展了更多细分角色分类,覆盖职场提升、商业增长、内容创作、学习规划等多元场景。精准匹配不同目标,让每一次生成都更有方向、更高命中率。
立即探索更多角色分类,找到属于你的增长加速器。
\begin{equation}
\begin{aligned}
ax^2 + bx + c &= 0, \quad a \ne 0 \\
x^2 + \frac{b}{a}x + \frac{c}{a} &= 0 \\
x^2 + \frac{b}{a}x &= -\frac{c}{a} \\
\left(x + \frac{b}{2a}\right)^2 &= \frac{b^2}{4a^2} - \frac{c}{a}
= \frac{b^2 - 4ac}{4a^2} \\
x + \frac{b}{2a} &= \pm \frac{\sqrt{b^2 - 4ac}}{2a} \\
x &= \frac{-b \pm \sqrt{b^2 - 4ac}}{2a}
\end{aligned}
\end{equation}
使用配方法对齐推导二次方程 ax^2 + bx + c = 0(a ≠ 0)的求根公式,最终得到 x = (-b ± √(b² - 4ac)) / (2a)。整段推导统一使用一个方程编号。
% 优化问题的标准表述
\begin{align}
\min_{x} \quad & f(x) \label{eq:problem_obj}\\
\text{s.t.} \quad & g_i(x) \le 0, \quad \forall i \label{eq:problem_ineq}\\
& h_j(x) = 0, \quad \forall j \label{eq:problem_eq}
\end{align}
% 拉格朗日函数
\begin{equation}
L(x,\lambda,\nu)
= f(x) + \sum_{i} \lambda_i\, g_i(x) + \sum_{j} \nu_j\, h_j(x)
\label{eq:lagrangian}
\end{equation}
% KKT条件(分组编号与自动对齐)
\begin{subequations}\label{eq:kkt}
\begin{align}
\nabla_x L(x,\lambda,\nu) &= 0 \label{eq:kkt_stationarity}\\
g_i(x) &\le 0, \quad \forall i \label{eq:kkt_primal_ineq}\\
h_j(x) &= 0, \quad \forall j \label{eq:kkt_primal_eq}\\
\lambda_i &\ge 0, \quad \forall i \label{eq:kkt_dual_feas}\\
\lambda_i\, g_i(x) &= 0, \quad \forall i \label{eq:kkt_compslack}
\end{align}
\end{subequations}
\begin{align}
p_i &= \frac{\exp(z_i)}{\sum_{k} \exp(z_k)},\\
L &= -\sum_{i} y_i \log p_i.
\end{align}
试用后开通会员即可无限使用