试了试，还是继续用 One Dark 吧。
就算是暗色模式，白色和背景的色差太大，很刺眼。

1. 跨平台的时候很方便，执行文件发给别人直接运行。
2. 协程上手容易。
3. 强制格式化，便于阅读他人代码。

linode

和我现在用的很像，3800x+技嘉 2070，内存也是 GSKILL 超到 3600.

但是 3800x 感觉和朋友的 3700x 没什么区别，建议直接 3700x 或者上 3900x （干活的话）。
而且 3800x，3700x 送的风冷都随便压，这次都是出厂灰烬版了，超频需求应该不大。
2070 位置也很尴尬，建议换 super，我买的时候还没有，后面 amd 发力了老黄给的竞争方案，或者降点用 2060 super。
显示器可以加点钱上 21:9 超宽的，现在大部分 3a 游戏和有名的独立游戏都有不错的支持，用了之后游戏，工作的体验都比之前好了不少。现在 144 的 21:9 曲面也降下来了，我是大概一年半前买的，现在已经大概降了 60%，但 21：9 很少有 hdr，有这个需求的话可选择的不多。

这推文不是中国人么...

1

1Password 最省心，iOS 和 macOS 上的体验满分，基本新功能一出当天就会适配。
Windows 上现在也不差。

2014 mid 的 13 寸还是用的好好的，质量是真的不错。

平常有点声音无所谓的。

SCamera （国区叫静拍），国人开发的，用了挺多年的，作者更新软件速度很快。
想保持安静的时候用一下就好了。去广告价格也很便宜。

对自己学科如果都没有热情扑在上面的话，你这硕士完全就是为了那一纸学历去了，肯定痛苦。
可以尝试从行业基础的论文开始看，总会找到一点感兴趣的东西，然后结合一些新的技术或是其他领域的知识会比较有点子。

github page 完全够用了

习惯是生日 x10+N 这样的形式

thefuck

AI 方向的话, 扎实掌握高数, 统计学后进展会很快. 所以就算我是 AI 方向学科的计算机专业, 也是大二下才开始系统学习.
大二下基本上进行的是概述, 大三才开始真正的算法学习, 实装等等.
我们研究室的学习会, 教授指定入门书目是 [The Elements of Statistical Learning]( https://web.stanford.edu/~hastie/ElemStatLearn/), 电子版免费的. 另外一本简单一点的参考是 [统计机器学习]( https://www.amazon.co.jp/%E7%B5%B1%E8%A8%88%E7%9A%84%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E2%80%95%E7%94%9F%E6%88%90%E3%83%A2%E3%83%87%E3%83%AB%E3%81%AB%E5%9F%BA%E3%81%A5%E3%81%8F%E3%83%91%E3%82%BF%E3%83%BC%E3%83%B3%E8%AA%8D%E8%AD%98-Tokyo-Tech-Be%E2%80%90TEXT-%E6%9D%89%E5%B1%B1/dp/4274502481)
纯看书的话我当时吃不消, 一边查找资料一遍看的. 参考比较多的是李航的统计学习方法. 网络资源的话, CSDN 有很多复制粘贴, 但是其中有一部分文章质量还不错, 有图讲的挺清楚的, Udemy 上有些课程可以参考.
计算机学科的资源网络上真的太多了, 优质的也很多, 完全取决于你自己想不想学, 有没有毅力坚持看下去.
也可以买一些实战 Python 机器学习的书练手, 就有比较多的 pandas, numpy 使用可以熟悉. 但是感觉就和教授和我讲的差不多, AI 相关的本科就算读完了知识也不够, 现在已经决定考研.

我自己的话其实不在乎方向的, 学计算机学的就是一个兴趣, 用 Flask 开发 API, 简单的 IoT 设备组装开发, Swift, go-lang 后端, 网页设计, UI 设计, 算法, Unity 小游戏开发, 有空都会自己去试试, 我觉得只有试的多了才知道自己最喜欢最适合搞什么.

用两步验证了就找个地方记一下还原码呗。

如果用 1Password 的话，本身就可以当两步验证器用，全平台同步。

现在养成习惯了，稍微复杂点的逻辑就写点注释，确保以后的自己能看懂。
但是随着自己语言理解的加深，总是忍不住去重构一次又一次。🐶

我是感觉圆角舒服多了，梯形有种很刚的感觉

leancloud，用在 hexo 上很舒服