diff --git a/docs/.vuepress/config.js b/docs/.vuepress/config.js
index 8cfdabb..732ac8c 100644
--- a/docs/.vuepress/config.js
+++ b/docs/.vuepress/config.js
@@ -20,7 +20,9 @@ export default defineUserConfig({
 	description: '理性派，数学，物理，程序',
 	plugins: [
 		markdownMathPlugin({
-		// options
+			// options
+			type: 'mathjax',
+			output: 'chtml'
 		}),
 		
 		markdownImagePlugin({
diff --git a/docs/.vuepress/styles/index.scss b/docs/.vuepress/styles/index.scss
index 847f89c..6237892 100644
--- a/docs/.vuepress/styles/index.scss
+++ b/docs/.vuepress/styles/index.scss
@@ -15,12 +15,12 @@ table.gridtable th {
     background-color: #cacaca;
     border: 1px solid #3f3f3f;
     color: #131313;
-    padding: 0px
+    padding: 0px;
 }
 
 table.gridtable td {
     border: 1px solid #3f3f3f;
-    padding: 0px
+    padding: 0px;
 }
 
 table.invisibletable {
diff --git a/docs/blog/2025/02/Fibonacci.md b/docs/blog/2025/02/Fibonacci.md
index 17a7416..c913172 100644
--- a/docs/blog/2025/02/Fibonacci.md
+++ b/docs/blog/2025/02/Fibonacci.md
@@ -4,19 +4,19 @@ tags: 数学
 ---
 斐波那契数列作为最有名的数列之一广为人之，它的顺序就是 0,1,1,2,3,5,8,13,… 每个数字都是前两个数字的和，这个数列有很多有意思的特征，比和数字“89”的关系。方法很简单，把数列排列成一列，然后每个数都依次右移，最后加在一起形成一个小数，这个数恰好就是1/89。  
 ``` :no-line-numbers
-             0.0
-             0.01
-             0.001
-             0.0002
-             0.00003
-             0.000005
-             0.0000008
-             0.00000013
-             0.000000021
-             0.0000000034
-                 ...
-            ----------------
-             0.01123595505618...  =  1/89
+         0.0
+         0.01
+         0.001
+         0.0002
+         0.00003
+         0.000005
+         0.0000008
+         0.00000013
+         0.000000021
+         0.0000000034
+             ...
+        ----------------
+         0.01123595505618...  =  1/89
 ```
 这个是很容易证明的，我们知道Fibonacci数列的一般形式如下  
 $$
diff --git a/docs/blog/2025/02/JPEG002.md b/docs/blog/2025/02/JPEG002.md
index af5ff08..fe07e26 100644
--- a/docs/blog/2025/02/JPEG002.md
+++ b/docs/blog/2025/02/JPEG002.md
@@ -72,8 +72,9 @@ u,v &=0,1,2,\ldots,7\\
 \end{aligned}}\tag{2.4}
 $$  
 DCT的威力究竟有多大，我们可以做一个实际的测试，比如一个所有数值都一样的矩阵，经过DCT转换后，将所有级数组合成一个新的矩阵  
-$$
-\small{\begin{bmatrix}
+
+$$\begin{aligned}
+&\begin{bmatrix}
 100&100&100&100&100&100&100&100\\
 100&100&100&100&100&100&100&100\\
 100&100&100&100&100&100&100&100\\
@@ -82,8 +83,11 @@ $$
 100&100&100&100&100&100&100&100\\
 100&100&100&100&100&100&100&100\\
 100&100&100&100&100&100&100&100
-\end{bmatrix}\overset{\text{DCT}}{\Longrightarrow}
-\begin{bmatrix}
+\end{bmatrix}\\
+\\
+&\large{\Downarrow} \text{DCT} \\
+\\
+&\begin{bmatrix}
 800&0&0&0&0&0&0&0\\
 0&0&0&0&0&0&0&0\\
 0&0&0&0&0&0&0&0\\
@@ -93,12 +97,14 @@ $$
 0&0&0&0&0&0&0&0\\
 0&0&0&0&0&0&0&0
 \end{bmatrix}
-}
+
+\end{aligned}
 $$  
+
 可以看到，经过DCT转换，矩阵的“能量”被全部集中在左上角上的直流分量F(0,0）上，其他位置都变成了0。  
 在实际的JPEG压缩过程中，由于图像本身的连贯性，一个8X8的图像中的数值一般不会出现大的跳跃，经过DCT转换会有类似的效果，左上角的直流分量保存了一个大的数值，其他分量都接近于0，我们以Lenna左上角第一块图像的Y分量为例，经过变换的矩阵为  
-$$
-\small{\begin{bmatrix}
+$$\begin{aligned}
+&\begin{bmatrix}
 34&34&34&33&34&28&35&32\\
 34&34&34&33&34&28&35&32\\
 34&34&34&33&34&28&35&32\\
@@ -107,8 +113,11 @@ $$
 36&36&29&27&33&31&30&31\\
 32&32&35&30&32&33&31&27\\
 30&30&27&28&30&30&28&29\\
-\end{bmatrix}\overset{\text{DCT}}{\Longrightarrow}
-\begin{bmatrix}
+\end{bmatrix}\\
+\\
+&\large{\Downarrow} \text{DCT} \\
+\\
+&\small{\begin{bmatrix}
 257.1&6.4&2.5&-0.3&0.4&0.1&-6.0&6.9\\
 8.4&0.0&0.5&-0.5&1.9&3.4&-4.2&3.3\\
 -5.3&-1.0&-1.4&1.3&-0.7&-0.5&2.1&-1.7\\
@@ -117,8 +126,8 @@ $$
 1.4&0.9&-1.9&-0.1&-2.0&0.9&1.5&0.7\\
 -2.0&-0.1&3.1&2.0&1.8&-2.7&-0.9&-1.3\\
 1.5&-0.2&-2.3&-1.9&-1.0&2.3&0.3&1.1\\
-\end{bmatrix}
-}
+\end{bmatrix}}
+\end{aligned}
 $$  
 可以看到，数据经过DCT变化后，被明显分成了直流分量和交流分量两部分，为后面的进一步压缩起到了充分的铺垫作用，可以说是整个JPEG中最重要的一步，后面我们会介绍数据量化。
 
diff --git a/docs/blog/2025/02/RandRound.md b/docs/blog/2025/02/RandRound.md
index e52c420..3221882 100644
--- a/docs/blog/2025/02/RandRound.md
+++ b/docs/blog/2025/02/RandRound.md
@@ -34,11 +34,11 @@ $$
 \displaystyle{F(x)=P(X\leq x)}
 $$  
 以最为常见的均匀分布概率为例，设均匀分布的随机变量$X$的取值范围是$[a,b]$，那么它的累计分布函数以及函数图像是  
-
-<table align="center" class="invisibletable">
+<div align="center">
+<table class="invisibletable">
 <tbody>
 <tr>
-<td style="vertical-align:middle; border:0px;">
+<td>
 
 $$ 
 F(x)=\begin{cases} 
@@ -49,12 +49,13 @@ F(x)=\begin{cases}
 $$
 
 </td>
-<td style="vertical-align:middle; border:0px;">
+<td>
 <img src="/images/2015/05/rnd_03.gif">
 </td>
 </tr><tr>
 </tr></tbody>
 </table>
+</div>
 
 对于一个累计分布函数，符合以下规律  
  * $0\le F(x)\le 1$
diff --git a/docs/blog/2025/02/SPH001.md b/docs/blog/2025/02/SPH001.md
index 6162348..8622756 100644
--- a/docs/blog/2025/02/SPH001.md
+++ b/docs/blog/2025/02/SPH001.md
@@ -11,7 +11,7 @@ SPH([Smoothed Particle Hydrodynamics](http://en.wikipedia.org/wiki/Smoothed_Part
  
 SPH算法是典型的拉格朗日视角，它的基本原理就是通过粒子模拟流体的运动规律，然后再转换成网格进行流体渲染。  
 <div align="center">
-<table class="invisibletable">
+<table align="center" class="invisibletable">
 <tbody>
 <tr valign="center">
 <td ><img src="/images/2014/08/sph_2.jpg" ></td>