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
[bssd]写Java spring CURD坏脑子grpc-web 这个能一统江湖么？golang还有很长的路需要走，需要5年到10年吧Androidx系统采集播放声音的任务写程序越来越难.net C# 有没有类似 go goroutine 的 库 或者框架 ？？感觉Win10对中文的支持严重变差了啊深学的学习曲线人的记忆真的很有意思请教个问题看看这个怎么做AI的新应用，也是最可能的应用[bssd]ML/AI 的关键请推荐 web scraper 软件或工具FB vs Soros这里还真是人工智能的试验场～～抓住了问题的本质，才能知道如何讨论问题渣滓程序员你们有没想过。Java是不是可能很快的进行开发。魏老师的产品不适用