本文是具身智能系列的第 1 篇博客，将介绍具身智能的基础技术路线。

本文将精读论文 “Sym-NCO: Leveraging Symmetricity for Neural Combinatorial Optimization”，作者 Kim et al.，时间 2022 年，链接 arXiv:2205.13209。

本期将从原理到代码，介绍 Batch / Layer / Instance 三种 Normalization 的方法及区别。

本文将精读 GNN4CO 代码，代码来自 RethinkLab 的 ML4CO-Bench-101 仓库，具体代码见 https://github.com/Thinklab-SJTU/ML4CO-Bench-101/tree/main/ml4co/gnn4co。

本文将精读论文 “Matrix Encoding Networks for Neural Combinatorial Optimization”，作者 Kwon et al.，时间 2021 年，链接 arXiv:2106.11113。

本文将精读论文 “POMO: Policy Optimization with Multiple Optima for Reinforcement Learning”，作者 Kwon et al.，时间 2020 年，链接 arXiv:2010.16011。

本文将精读论文 “Reinforcement Learning with Combinatorial Actions: An Application to Vehicle Routing”，作者 Delarue et al.，时间 2020 年，链接 arXiv:2010.12001。

本文是一篇系统性的 Pytorch Tensor 入门教程，将介绍 Tensor 的基础及核心操作，包含了基础语法、索引操作、变形操作、计算操作等。其中高级索引和变形操作是理解 Tensor 操作的重难点。本文附有项目代码（Jupyter Notebook）。

代码中看似花哨的 Tensor 操作常常让人摸不着头脑，但是恰恰是理解深度学习代码的关键。本文将详细介绍一些常见、有趣且实用的 Tensor 操作，项目代码（Jupyter Notebook）在这里。

本文将介绍 ML4CO 的第二种范式（Transformer 自回归 + 强化学习）的代码实现。代码文件可以在 https://github.com/cny123222/A-Living-Guide-to-ML4CO 中找到。