其实主要还是个生态问题，win server 设计的再精妙，再好用又如何？ 现在主流的互联网生态都是基于 linux 了。 就像我搞了一个国产 OS(没有特指鸿蒙)， 你设计的再好，内核再稳定 不能跑 IOS 安卓那些应用 又有什么用呢

@594duck 作为一个调参侠，生产上启用 k8s - docker 对我来说节约了太多的开发与运维成本。

从开发角度而言，不同版本的模型可能依赖不同版本的 tensorflow， 而不同版本的 tensorflow 又依赖不同版本的 cudnn 。 如果不依赖容器，我要实现多版本 cudnn 就很麻烦。 什么？虚拟机？你要我搞虚拟机显卡直通？ 先不问老黄答应不答应，我为了搞这一套还不知道要折腾多久。

但是用了 Docker 方案就优雅很多了，在项目里定义好 dockerfile 和编排，同事 vscode 里一键就可以从容器中打开继续项目的开发。


从运维角度而言，我不需要写复杂的部署文档，实际上即使我写了部署文档运维还是不得不来问我到底是怎么把这些玩意儿装上去的。更可怕的是，对于 CPU 和 GPU 版本我可能还要准备 2 套部署文档。 而使用 docker，大家只要看一下编排，都心领神会了，cpu-gpu 只要改下镜像 tag 就行了。

你要说容器化有没有坑？ 肯定是有的，但是给我带来的便利远大于坑带来的苦恼

@no1xsyzy 信息熵确实比较难解释清楚，但是毕竟是有明确定义和计算公式确定性的东西，何来 “没人能够解释清楚熵是什么？”

之前就在 github 上 star 了，看介绍感觉楼主还是非常有想法的，支持！ ！

虽然我也是黑群，但是其实玩到后面你就会明白 机器本身都不值钱，盘贵

“高等院校理工专业作为优质男性聚集地" 楼主这个假设是建立在以召回为指标的前提下，确实理工专业男生多，其中肯定不乏优质的。

但是我们都知道，召回率与精确率是跷跷板的两端，召回高往往说明从中挑出真正优质的反而很难。所以女生们更倾向于从一个 精确率很高 但是召回不高的群体中寻偶。

你说这种话就相当于“我精通茴字的 1024 种写法，但是就是写不出一篇文章”；
为什么热衷研究的东西会学了就忘，是因为只流于表面不懂使用。“编写代码”这个动作给了你一种正在创造的“假象”。
你可以尝试去做几个“有意思”的项目，而不是“研究语言” 可能会有更深的领悟

尝过鲜，不能直通显卡 在运行一些动画效果时还是会很慢+撕裂

@cubecube 握手，也弄过这样的项目，晚上要和清算所对账，一开始总有各种各样问题，对不上。 头一个月每天晚上 4-5 点都要被拉起来解决问题，然后早上还要去上班。 虽然一个月后基本就稳定了，不过很长一段时间都养成了一到对账的点就醒的习惯

是不是 「王朝」里面有一集说企鹅的

小规模的推理服务其实不是特别需要 gpu, 因为显存 io 的开销很大，不如多分几个 cpu 推理服务。

如果非要用 gpu，那必须用好 batch 运算。将队列中的任务压到一个 batch 里再传递到 gpu 。

当然简单的只是做一个阻塞队列也是可以的

很好奇什么样的办公环境会丢电脑

欧洲就很好，而且很多欧洲国家高等教育是免费的（是的，留学生也免费），比如德国法国。

其实 OCR 的部分倒不一定是最难解决的部分；

对于证明题，除非出题人已经知道所有解题、证明路径并编码化，不然靠 AI 是不可能阅卷的，毕竟 AI 最不擅长的就是逻辑与推理；

对于解答空间比较小的题目、比如英语填空、阅读理解、生物、历史、地理等填空 / 简答题，自然语言技术应该可以处理；

对于解答空间比较大的题目，像政治等一些题目，用学生的回答与正确回答的语义匹配相似度，可能可以打分，但可能和人打分会有一些出入

对于作文(非英语作文), 由于这个答题空间过于大，而且涉及到对语言审美 思维等，估计这个几乎不可能自动阅卷

但是剪贴板插件不支持私有部署版，等于是个半残废