怎样画一张轨道交通图

发表于2025-02-03|更新于2026-11-04|Skill

怎样画一张地铁图 | Ai

1.使用钢笔工具，点击创建锚点后，按住 shift 移动光标（shift使光标只能水平、垂直、45°移动），继续创建锚点画出线路基本走向

2.调整描边颜色、端点和转角为圆滑

3.在 fx - 风格化 - 圆角中选择线路转弯处圆角半径

4.使用椭圆工具，按住 shift 画出正圆，作为地铁站图标

5.搭配使用多边形工具、钢笔工具、曲率工具画出不规则图标

6.添加一点创意

7.导出时选择全画布导出

附上：城市天际线架空城市轨道交通图

相关推荐

Ai技巧记录(Adobe illustrator)

Ai小技巧记录本文非常个人向，当作笔记记录一下小白在轻度使用时必备的一些技能，发文时刚刚进行一个Logo设计，发现很多基本操作已经忘却了，在此记录一下可以参考另一篇 Ai 实战记录博客《怎样画一张轨道交通图》。剪切图形例如，我们需要一个不规则半圆，其实可以直接用椭圆工具画一个，然后点住顶部小圆点/在顶部选择扇形角度即可但剪切图形显然更加普适画一个圆，点’Ctrl+Shift+O’，让图形自动识别边框路径点使用钢笔工具在剪切位置画一道直线打开’窗口-路径查找器-分割’ 选择取消编组得到一个新的图形设计字体有时候我们遇到一个很喜欢的字体，但些许设计我们不满意，可以手动调整选中字点’Ctrl+Shift+O’，让图形自动识别边框路径点取消编组使用路径点工具，调整字的形状，可以实现笔画更改、圆角，配合上文提到的路径查找器可以实现更多设计

阅读笔记：It's All Connected：A Journey Through Test-Time Memorization, Attentional Bias, Retention, and Online Optimization

0. 发展脉络Miras是这三篇文章的起点（Miras->NL->MC）这三篇文章完整记录了作者这个团队从重构一个简单的 RNN 层，最终重构整个LLM模型处理超长文本的历程本篇文章是理论基石，证明了无论是 Transformer 还是线性 RNN，本质上都是在测试阶段实时进行在线优化的关联记忆模块，也就是说，模型在推理时，其实内部正在不断地利用梯度下降等算法更新状态。 1.本文将神经网络架构重新理解为一种测试时学习（Test time learning）的关联存储模块。推理阶段被视为一个动态的学习过程，模型在提取静态知识时，实时地存储并优化当前输入序列的关联映射。把序列模型内部的内存看作一个小型的神经网络，模型在阅读新文本时，利用内部优化器（如梯度下降）实时训练并更新这块内存。 2. 现有问题作者想解决的问题是：在处理长文本时，现有的模型都有些问题 Transformer：它在推理时把看过的所有词都存在缓存（K、V）里。文本越长，内存和计算量就是平方级上升，无法处理超长上下文。另外通过公式看出，计算输出至少需要 N × d 个操作符的复杂度。线性...

阅读笔记：Nested Learning：The Illusion of Deep Learning Architecture

0. 发展脉络将 Miras 的思想泛化到整个神经网络。既然 Miras 证明了 Transformer 和各种 RNN 是一个实时优化的记忆网络，那么 NL 就更进一步：不光是序列层，模型里的多层感知机（MLP）、甚至是优化器（Adam、动量），全都是在不同更新频率上运行的关联记忆网络。 1.作者认为，我们平常看到的“层数更深、参数更多、模型更强”只是表面现象；真正决定模型表达力和学习能力的，可能是模型内部存在多少层嵌套的优化问题，以及这些优化问题如何在不同时间尺度上协同工作。 2. 本文的贡献论文据此提出了 Nested Learning（NL）范式：把各种不同的模型理解成一组彼此嵌套、更新频率不同、上下文不同的学习模块。这个视角重新解释了注意力、FFN、优化器和上下文学习，也进一步推出了三条落地路径：更强的优化器、更能自我修改的序列模型，以及一个连续记忆系统。作者最终用 HOPE 架构对这些想法做了实际落地验证。以下是这篇论文做出的几点贡献：提出了 Nested Learning...

阅读笔记：Memory Caching：RNNs with Growing Memory

0. 发展脉络解决 Miras 和 NL 架构面临的超长文本内存上限问题。其实可以尝试用 NL 的视角来看待 MC 这篇文章，把 MC 当做一种跨频率的知识路由机制 0.1 分段长度 -> 频率在 NL 中，模型不同层级是不同更新频率。在 MC 中，核心操作是将长序列切分为多个自定义长度的片段，并缓存这些片段的检查点。在线记忆（Online Memory）= 最高频：在 MC 中，当前正在处理的在线记忆，每输入一个 Token 就会利用Mirsa内部目标（如梯度下降）更新一次（即频率 f=1）。它等价于 NL 中负责处理瞬时上下文的极高频神经元。缓存记忆（Cached Memories）= 低频：一旦一个片段结束，它的记忆状态就会被“冻结”并缓存。这意味着这些缓存的记忆是经过了一段较长的时间周期（即片段长度 C）才最终成型的一次“低频快照”。频率视角的折中：在 MC 中，Transformer 可以被看作是片段长度为1（无限高频，保留所有细节）的特例，而传统 RNN 是片段长度为无限大（极低频，全部压缩到一起）的特例。MC...