Mountain View, Sunnyvale, Cupertino, Santa Clara, San Jose, San Mateo, San Fran, Fremont 差不多这样的顺序， 其中 Fremont 的 variance 比较高

3900X, 3800X, 3700X, 3600 按着预算选不会有问题. [利益相关：AMD, Nvidia 双料股东，Intel 已抛出]

png 一般是无损的，无损压缩利用了图像信息中的冗余。

9 月出 3950X, 750 刀的性能已经超越 2000 刀的 9980XE 了

楼主所在的公司 matterport 提供的 maskrcnn 的 implementation 我非常喜欢，感谢

12 年买的第一个 mbp 贴过，16 年“继承”给老爸时发现膜撕不下来了...后来的 mbp 就再没贴过了

@wclebb 我的冷排是两个 480mm 的. 被动散热都比风冷强

人类现在还没有能力让蚊子灭绝.楼里有人说用 gene mutated 蚊子控制种群比例，用于小规模的实验没什么问题。 但是显然这玩意和抗生素一样， 大规模作用于蚊子时只会是个不错的自然选择，让蚊子更快进化.

1. 不知道是要干什么，感觉是个前端的东西
2. 现在的前端也这么多民科了？

证明自己没有超发， 比如很多网络黑产都用 Q 币结算，这时候如果 tencent 大规模超发就会造成很多问题了.

@Qiaogui

这不是我认识的函数范式。
你回复中的函数嵌套我认为只是科里化的一种特例.

函数范式的没看懂， 面向过程的是有什么特色吗， 另外你的注释真的很难懂。
写过完整编译器，但还是觉得现在一般给 llvm 做个前端就可以了，

开 G Suite 10USD 一个月无限容量还是比较划算的，配合 ocaml-fuse 当作 NAS 用。

只在 dl/ml 自身来看差不多有一定道理。

但是一旦应用到特定领域，比如 CV 和 NLP 就完全不是这回事。

每一个被广泛应用的 model 都有高度的 inductive bias。 设计出来一定是借用了现实世界的某种 knowledge 才实现了某些指标的突破。

只从几个经典 dl 网络结构来说，比如最简单的 CNN，被广泛应用在 vision 原因肯定不少人都了解，就是典型的 inductive bias, 同样还有 LSTM, GRU.

再专业，再细分点的领域，像 object detection， 里面的 RPN， 你见过哪个统计学对特征再扫一遍来找 region proposal 的， 这种想法只可能在图像领域出现，也只有真正搞 CV 的人才能摸索出来。所以搞经济学的说出这种话除了让外行和看书太少想得太多的民科们认为他很懂 ml 以外没什么特别用处。

同学以前嘲讽我说遇到问题就重装系统是无能的表现

所以所有用户都是用同一个 key 生成的密码？那和明文有什么区别？