w*g
2 楼
用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
s*i
3 楼
是nook touch，不是nook color，后者早就可以玩bird了。
a9
4 楼
我用了一阵子docker，感觉跟脱裤子放屁有一拼
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
i*e
5 楼
一天到晚打个破猪头，不知道有什么好玩的
N*m
6 楼
那是image写得不好
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
p*w
7 楼
嗯，我玩了3分钟，算是摸过这个游戏了，然后就不完了
【在 i*****e 的大作中提到】
: 一天到晚打个破猪头，不知道有什么好玩的
【在 i*****e 的大作中提到】
: 一天到晚打个破猪头，不知道有什么好玩的
w*g
8 楼
是。不过都docker了，里面还建非root帐号， 那就真是脱裤子放屁了。
【在 N*****m 的大作中提到】
: 那是image写得不好
【在 N*****m 的大作中提到】
: 那是image写得不好
i*d
9 楼
倒，这也叫能玩？！
【在 T****n 的大作中提到】
: 屏幕还是比较杯具
【在 T****n 的大作中提到】
: 屏幕还是比较杯具
N*m
10 楼
一般不用，但是有这种往主机上写的应用还是应该建一个
【在 w***g 的大作中提到】
: 是。不过都docker了，里面还建非root帐号， 那就真是脱裤子放屁了。
【在 w***g 的大作中提到】
: 是。不过都docker了，里面还建非root帐号， 那就真是脱裤子放屁了。
T*n
11 楼
恩，当然不会是color，打字都习惯了
【在 s********i 的大作中提到】
: 是nook touch，不是nook color，后者早就可以玩bird了。
【在 s********i 的大作中提到】
: 是nook touch，不是nook color，后者早就可以玩bird了。
w*g
12 楼
docker这东西绝对是security hazard。基本上能run docker就相当于有root权限了。
【在 N*****m 的大作中提到】
: 一般不用，但是有这种往主机上写的应用还是应该建一个
【在 N*****m 的大作中提到】
: 一般不用，但是有这种往主机上写的应用还是应该建一个
f*i
13 楼
这不是没事找罪受吗
不但不羡慕那个展示者，反而觉得此人很2
不但不羡慕那个展示者，反而觉得此人很2
N*m
14 楼
是的，所以rkt越来越流行
【在 w***g 的大作中提到】
: docker这东西绝对是security hazard。基本上能run docker就相当于有root权限了。
【在 w***g 的大作中提到】
: docker这东西绝对是security hazard。基本上能run docker就相当于有root权限了。
d*r
15 楼
那 coreos rocket VS docker 有戏?
【在 N*****m 的大作中提到】
: 是的，所以rkt越来越流行
【在 N*****m 的大作中提到】
: 是的，所以rkt越来越流行
c*n
16 楼
这玩意儿可以上production了不
那个open image format稳定了没 还是暂时先用docker image?
【在 N*****m 的大作中提到】
: 是的，所以rkt越来越流行
那个open image format稳定了没 还是暂时先用docker image?
【在 N*****m 的大作中提到】
: 是的，所以rkt越来越流行
l*s
17 楼
歪个楼，wdong比较下贝叶斯学习和深度学习？
c*e
18 楼
一个是传统的 ml， 一个是 nn, 有啥好比较的？
【在 l*********s 的大作中提到】
: 歪个楼，wdong比较下贝叶斯学习和深度学习？
【在 l*********s 的大作中提到】
: 歪个楼，wdong比较下贝叶斯学习和深度学习？
w*g
19 楼
就我的理解，深度学习一般不太追求对问题的建模。
贝叶斯学习则比较注重对问题建模。贝叶斯方法和
函数式编程在有一点上非常像，就是极度追求
理论的完美性，当和现实世界的不完美性产生
冲突时，会把不完美的那部分排除在理论之外。
比如Haskel用IO monad包装整个现实世界，从而
实现形式上的纯函数式。贝叶斯方法则严重依赖
prior probability。至于prior probability
怎么选则不予讨论。而且prior distribution
的形式完全是由数学上的和谐性决定的，说不出
什么物理依据。比如multinomial分布的prior
是dirichilet分布，完全是由数学形式上的
可行性决定的，没啥道理可讲。因为有这些理论
上优美性的条条框框制约，所以这两个东西在
实战上总是输人一截成不了主流。这次神经网络
兴起之前最流行的graphical model就是贝叶斯
方法，图像分类的实战上一直干不过SVM。
本来这两个是独立的概念没法比，但因为都在
图像分类上有应用，所以勉为其难从效果上
比一下。希望专家路过指正。
【在 l*********s 的大作中提到】
: 歪个楼，wdong比较下贝叶斯学习和深度学习？
贝叶斯学习则比较注重对问题建模。贝叶斯方法和
函数式编程在有一点上非常像，就是极度追求
理论的完美性，当和现实世界的不完美性产生
冲突时，会把不完美的那部分排除在理论之外。
比如Haskel用IO monad包装整个现实世界，从而
实现形式上的纯函数式。贝叶斯方法则严重依赖
prior probability。至于prior probability
怎么选则不予讨论。而且prior distribution
的形式完全是由数学上的和谐性决定的，说不出
什么物理依据。比如multinomial分布的prior
是dirichilet分布，完全是由数学形式上的
可行性决定的，没啥道理可讲。因为有这些理论
上优美性的条条框框制约，所以这两个东西在
实战上总是输人一截成不了主流。这次神经网络
兴起之前最流行的graphical model就是贝叶斯
方法，图像分类的实战上一直干不过SVM。
本来这两个是独立的概念没法比，但因为都在
图像分类上有应用，所以勉为其难从效果上
比一下。希望专家路过指正。
【在 l*********s 的大作中提到】
: 歪个楼，wdong比较下贝叶斯学习和深度学习？
l*s
20 楼
表面上神经网络非常通用，但是我感觉里面的机关比贝叶斯方法只多不少，先验分布的
选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
【在 w***g 的大作中提到】
: 就我的理解，深度学习一般不太追求对问题的建模。
: 贝叶斯学习则比较注重对问题建模。贝叶斯方法和
: 函数式编程在有一点上非常像，就是极度追求
: 理论的完美性，当和现实世界的不完美性产生
: 冲突时，会把不完美的那部分排除在理论之外。
: 比如Haskel用IO monad包装整个现实世界，从而
: 实现形式上的纯函数式。贝叶斯方法则严重依赖
: prior probability。至于prior probability
: 怎么选则不予讨论。而且prior distribution
: 的形式完全是由数学上的和谐性决定的，说不出
选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
【在 w***g 的大作中提到】
: 就我的理解，深度学习一般不太追求对问题的建模。
: 贝叶斯学习则比较注重对问题建模。贝叶斯方法和
: 函数式编程在有一点上非常像，就是极度追求
: 理论的完美性，当和现实世界的不完美性产生
: 冲突时，会把不完美的那部分排除在理论之外。
: 比如Haskel用IO monad包装整个现实世界，从而
: 实现形式上的纯函数式。贝叶斯方法则严重依赖
: prior probability。至于prior probability
: 怎么选则不予讨论。而且prior distribution
: 的形式完全是由数学上的和谐性决定的，说不出
l*s
21 楼
对我们来说，两个都要学吗？还是nn可以取代ml，学一个就行了？
【在 c*****e 的大作中提到】
: 一个是传统的 ml， 一个是 nn, 有啥好比较的？
【在 c*****e 的大作中提到】
: 一个是传统的 ml， 一个是 nn, 有啥好比较的？
b*r
22 楼
哈哈，我觉得wdong和littlebirds说的都很对。现在大环境应该是无闹入nn吧
N*m
23 楼
狗也在推，k8s现在可支持rkt
docker那帮人不想让别人抢饭碗，所以其他人都另起炉灶
【在 d*******r 的大作中提到】
: 那 coreos rocket VS docker 有戏?
docker那帮人不想让别人抢饭碗，所以其他人都另起炉灶
【在 d*******r 的大作中提到】
: 那 coreos rocket VS docker 有戏?
l*s
24 楼
好吧 ：-）, 这流行变化的真快
【在 b*******r 的大作中提到】
: 哈哈，我觉得wdong和littlebirds说的都很对。现在大环境应该是无闹入nn吧
【在 b*******r 的大作中提到】
: 哈哈，我觉得wdong和littlebirds说的都很对。现在大环境应该是无闹入nn吧
l*m
25 楼
现在用DL做贝叶斯十分流行，只是老中概率教育不好，基本上是欧洲人做。
基本上就是两个DL networks左右互搏，避免了MCMC或是VI
.
【在 l*********s 的大作中提到】
: 表面上神经网络非常通用，但是我感觉里面的机关比贝叶斯方法只多不少，先验分布的
: 选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
: 数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
: 有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
基本上就是两个DL networks左右互搏，避免了MCMC或是VI
.
【在 l*********s 的大作中提到】
: 表面上神经网络非常通用，但是我感觉里面的机关比贝叶斯方法只多不少，先验分布的
: 选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
: 数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
: 有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
w*g
26 楼
你说的这些都是问题。但向我们打酱油的哪有时间和精力去研究这种东西，
直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
花在deep learning之前（图片数据库）和deep learning之后
（post processing, 搭服务, 做demo)上面。至于tensorflow/
caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
也破了。对于我来说，deep learning框架就是个black box plug-in。
等人家好的model release出来，管他是tensorflow, mxnet还是torch
我直接一套就行。
.
【在 l*********s 的大作中提到】
: 表面上神经网络非常通用，但是我感觉里面的机关比贝叶斯方法只多不少，先验分布的
: 选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
: 数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
: 有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
花在deep learning之前（图片数据库）和deep learning之后
（post processing, 搭服务, 做demo)上面。至于tensorflow/
caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
也破了。对于我来说，deep learning框架就是个black box plug-in。
等人家好的model release出来，管他是tensorflow, mxnet还是torch
我直接一套就行。
.
【在 l*********s 的大作中提到】
: 表面上神经网络非常通用，但是我感觉里面的机关比贝叶斯方法只多不少，先验分布的
: 选择是很无厘头，但是， 深度学习你要挑网络拓扑结构吧，你要挑损失函数，激活函
: 数，学习速度，正规化等等等等，只是别人都试错好了告诉你这种问题就用这个模型.
: 有不少直观的解释，但基本事后诸葛亮。这和生物研究的现状做很像，不是吗？
l*s
27 楼
明白了，谢谢！
【在 w***g 的大作中提到】
: 你说的这些都是问题。但向我们打酱油的哪有时间和精力去研究这种东西，
: 直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
: 花在deep learning之前（图片数据库）和deep learning之后
: （post processing, 搭服务, 做demo)上面。至于tensorflow/
: caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
: 也破了。对于我来说，deep learning框架就是个black box plug-in。
: 等人家好的model release出来，管他是tensorflow, mxnet还是torch
: 我直接一套就行。
:
: .
【在 w***g 的大作中提到】
: 你说的这些都是问题。但向我们打酱油的哪有时间和精力去研究这种东西，
: 直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
: 花在deep learning之前（图片数据库）和deep learning之后
: （post processing, 搭服务, 做demo)上面。至于tensorflow/
: caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
: 也破了。对于我来说，deep learning框架就是个black box plug-in。
: 等人家好的model release出来，管他是tensorflow, mxnet还是torch
: 我直接一套就行。
:
: .
l*s
28 楼
统计这行基本是中国人为主，烙印很少，和IT完全相反。
【在 l*******m 的大作中提到】
: 现在用DL做贝叶斯十分流行，只是老中概率教育不好，基本上是欧洲人做。
: 基本上就是两个DL networks左右互搏，避免了MCMC或是VI
:
: .
【在 l*******m 的大作中提到】
: 现在用DL做贝叶斯十分流行，只是老中概率教育不好，基本上是欧洲人做。
: 基本上就是两个DL networks左右互搏，避免了MCMC或是VI
:
: .
l*m
29 楼
统计和概率是两回事
【在 l*********s 的大作中提到】
: 统计这行基本是中国人为主，烙印很少，和IT完全相反。
【在 l*********s 的大作中提到】
: 统计这行基本是中国人为主，烙印很少，和IT完全相反。
g*t
30 楼
这些分布就是因为现存的知识足够，所以用的人多吧。
跟软件blackbox类似。好用比正确更重要。好用的话，出问题就修一修，
加一些条件。不好用，那就无路走。
例如曼德勃罗60年代说股市的variance和更高阶矩不一定存在，
切比雪夫不等式，大数定律...都不一定适用。
所以正态分布为基础的经济学理论都不靠谱。
市场可能会有tail events。
他肯定是正确的。
但是现有的财务系统，从券商软件到交易系统，据我所知model主要还是从正态分布出
发进行修正。而不是往更难的数学那里走。尽管研究variance无穷大的分布，
可能从原理上来讲是更正确的道路。
【在 w***g 的大作中提到】
: 就我的理解，深度学习一般不太追求对问题的建模。
: 贝叶斯学习则比较注重对问题建模。贝叶斯方法和
: 函数式编程在有一点上非常像，就是极度追求
: 理论的完美性，当和现实世界的不完美性产生
: 冲突时，会把不完美的那部分排除在理论之外。
: 比如Haskel用IO monad包装整个现实世界，从而
: 实现形式上的纯函数式。贝叶斯方法则严重依赖
: prior probability。至于prior probability
: 怎么选则不予讨论。而且prior distribution
: 的形式完全是由数学上的和谐性决定的，说不出
跟软件blackbox类似。好用比正确更重要。好用的话，出问题就修一修，
加一些条件。不好用，那就无路走。
例如曼德勃罗60年代说股市的variance和更高阶矩不一定存在，
切比雪夫不等式，大数定律...都不一定适用。
所以正态分布为基础的经济学理论都不靠谱。
市场可能会有tail events。
他肯定是正确的。
但是现有的财务系统，从券商软件到交易系统，据我所知model主要还是从正态分布出
发进行修正。而不是往更难的数学那里走。尽管研究variance无穷大的分布，
可能从原理上来讲是更正确的道路。
【在 w***g 的大作中提到】
: 就我的理解，深度学习一般不太追求对问题的建模。
: 贝叶斯学习则比较注重对问题建模。贝叶斯方法和
: 函数式编程在有一点上非常像，就是极度追求
: 理论的完美性，当和现实世界的不完美性产生
: 冲突时，会把不完美的那部分排除在理论之外。
: 比如Haskel用IO monad包装整个现实世界，从而
: 实现形式上的纯函数式。贝叶斯方法则严重依赖
: prior probability。至于prior probability
: 怎么选则不予讨论。而且prior distribution
: 的形式完全是由数学上的和谐性决定的，说不出
s*k
31 楼
LDA不就是研究long tail的工具？
【在 g****t 的大作中提到】
: 这些分布就是因为现存的知识足够，所以用的人多吧。
: 跟软件blackbox类似。好用比正确更重要。好用的话，出问题就修一修，
: 加一些条件。不好用，那就无路走。
: 例如曼德勃罗60年代说股市的variance和更高阶矩不一定存在，
: 切比雪夫不等式，大数定律...都不一定适用。
: 所以正态分布为基础的经济学理论都不靠谱。
: 市场可能会有tail events。
: 他肯定是正确的。
: 但是现有的财务系统，从券商软件到交易系统，据我所知model主要还是从正态分布出
: 发进行修正。而不是往更难的数学那里走。尽管研究variance无穷大的分布，
【在 g****t 的大作中提到】
: 这些分布就是因为现存的知识足够，所以用的人多吧。
: 跟软件blackbox类似。好用比正确更重要。好用的话，出问题就修一修，
: 加一些条件。不好用，那就无路走。
: 例如曼德勃罗60年代说股市的variance和更高阶矩不一定存在，
: 切比雪夫不等式，大数定律...都不一定适用。
: 所以正态分布为基础的经济学理论都不靠谱。
: 市场可能会有tail events。
: 他肯定是正确的。
: 但是现有的财务系统，从券商软件到交易系统，据我所知model主要还是从正态分布出
: 发进行修正。而不是往更难的数学那里走。尽管研究variance无穷大的分布，
T*e
32 楼
你们平时用Docker干什么？
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
【在 w***g 的大作中提到】
: 用-v加载目录，留下一堆root:root的文件。现在的软件怎么都这么不负责任。
w*g
33 楼
我用docker部署服务，还有编译环境
【在 T*******e 的大作中提到】
: 你们平时用Docker干什么？
【在 T*******e 的大作中提到】
: 你们平时用Docker干什么？
c*e
34 楼
wdong请分析一下amazon go是啥原理?
【在 w***g 的大作中提到】
: 你说的这些都是问题。但向我们打酱油的哪有时间和精力去研究这种东西，
: 直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
: 花在deep learning之前（图片数据库）和deep learning之后
: （post processing, 搭服务, 做demo)上面。至于tensorflow/
: caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
: 也破了。对于我来说，deep learning框架就是个black box plug-in。
: 等人家好的model release出来，管他是tensorflow, mxnet还是torch
: 我直接一套就行。
:
: .
【在 w***g 的大作中提到】
: 你说的这些都是问题。但向我们打酱油的哪有时间和精力去研究这种东西，
: 直接拿人家的model一套就能出东西，那才是王道。至今我所有的精力都
: 花在deep learning之前（图片数据库）和deep learning之后
: （post processing, 搭服务, 做demo)上面。至于tensorflow/
: caffe在干嘛，对我来说都是black box。我最近把lua/torch的整合问题
: 也破了。对于我来说，deep learning框架就是个black box plug-in。
: 等人家好的model release出来，管他是tensorflow, mxnet还是torch
: 我直接一套就行。
:
: .
w*g
35 楼
这个我没啥了解，分析不了。
【在 c*********e 的大作中提到】
: wdong请分析一下amazon go是啥原理?
【在 c*********e 的大作中提到】
: wdong请分析一下amazon go是啥原理?
相关阅读
请教GoodBug等AWS重度用户swagger很不错王垠 怎样尊重一个程序员大牛讲讲JIT和AOT的比较吧如果面试一个候选人，算法答的很好，java多线程没什么经验 回答的不上路 你会招么转行码农，需要学通OO D和Design Pattern吗？有没有bootstrap+angularJS+NODEJS的template突破网络枷锁update 20150420大家都怎么用Spring请教pivotal Cloud Foundary的用户新手请教Java数组问题也谈“怎样尊重一个程序员”https://www.theeffectiveengineer.com/booklinkedin上无法隐藏自己的profile (转载)为什么我觉得c++比java简单?转行做data warehouse的问个学习大数据的问题dart第一次summit开始报名了同时写两个平台的app？[新手]一直都把C++当Java写，有啥严重不妥？怎么在iOS下用native api实现HTTPS？