18 楼和 23 楼说的很清楚了，楼主照做就行了。还不会就网上买交换机(不是路由器），很便宜的，也不用设，插上就行。

@b00tyhunt3r 不要觉得 DNN 炼丹是 AI 的全部。

以 W-GAN 为代表的模型，需要 Analysis、Measure Theory 和 Transportation Theory 进行理论分析和实践指导： https://arxiv.org/abs/1701.07875

Probabilistic models 需要 Monte Carlo methods 进行积分和采样，其中以 Hamiltonian Monte Carlo 和 Langevin equations 为代表的采样方法源自物理。HMC： https://arxiv.org/pdf/1701.02434.pdf ，Langevin algorithm： https://arxiv.org/abs/1103.0542。顺便，上次我看论文，有人提到了 HMC 有一个分支使用了黎曼几何，对就是广义相对论也用的那个。

说起黎曼几何，我上次看到有人用黎曼几何分析 VAE 学出来的隐空间： https://arxiv.org/abs/1710.11379。可惜我不会黎曼几何，不然可以去看看这篇文章。

昨天我实验室和我合作过的一个人说，他认为现行的 flow-based generative model （ https://arxiv.org/abs/1605.08803 为代表）有问题，因为在拓扑学里面，积分变量代换还能保证归一化是需要条件的。然而现在的很多研究者没有意识到这个，只用了微积分的思想设计的这个模型，所以它有漏洞。

嗯，黎曼几何的一个基础就是拓扑学。所以这位确实打算这学期学黎曼几何去了。

我五月份写了篇有关 VAE 的文章，在投，过几天出最终结果。理论分析部分用了变分法，虽然比较粗浅。对变分法，就是物理学家用来解那个最速下降曲线的经典方法。然后这篇文章在改，我加了一个小证明说明一个小问题，昨天还在扣测度论。

以上都是和我研究领域相关的，所以我比较熟。和我不相关的部分，我所知到的，对于神经网络的新的优化方法一直有人在做。这是个 fundamental 的数学问题，目前所用的梯度下降只是最浅显的。我所不知道的方面，估计还有很多。
----

所以你看，DNN 炼丹只是 AI 最外围研究人员天天干的事情，还有好多没有解决的内部问题，只是没做过的人没看到而已。

@dimlau 针对传输速度: 写个脚本，本地编译完，增量更新到服务器。比如用 github pages 就先 clone 再覆盖再 commit 再 push。自己的服务器就 rsync

你不是静态博客系统的目标用户。比如我，不发照片，文章可能混合代码、公式、表格数据、参考文献。希望写的公式将来在整理成 latex 的时候能直接用而不需要再打一遍。希望文章有版本控制，能管理历史版本。不想自建服务器。这是典型的静态博客用户。

你是算法很好才说以后不想做算法的吗? 如果不是，给自己一个机会，花一年学好数学和算法。

985 学校不给自己这个机会，以后你会后悔的。。。

去量化公司做系统码农…… 手动狗头

@DreamSpace 我个人觉得幂等性这种概念在这个例子上不重要。首先，批量接口组合数太多，基本没有 http 层缓存的价值。其次，get 参数无法应对大量 ID 的请求，还是得上 post。那些说 get 加上 body 的做法，我觉得那比违反所谓的幂等性更糟糕。综上，我觉得该用 post

批量的接口为啥不用 post

@lxy42 删除两个自己选择的任意数字吧…… 删的完

不论是计数还是计时，服务器不存是不可能的

我当年高中物理老师是清华无线电专业毕业的，受益良多。

小城市就算不能请到清华毕业生，好歹也得是个正儿八经的师范毕业吧？

你自己的人生已经这样了，求别祸害高中学生，他们还有高考这一希望在。

Docker

我实验室用的是 192.168.64.0/18，子网掩码也就是 255.255.192.0

网关是 192.168.64.1。DHCP （用的 isc-dhcp-server ）管理的是 192.168.126.1 ～ 192.168.126.254 ，以及 192.168.127.1 ～ 192.168.127.254 。其他地址段给各个设备静态分配用。

地址分配其实没那么死板，可以很灵活的，楼主可以当作参考。

@dogandcat 我说的就是 TensorFlow 啊。TensorFlow 的 Java API 只能载入已经存下来的模型，不能自由创建模型，基本没用。 https://www.tensorflow.org/api_docs/java/reference/org/tensorflow/package-summary

TF 1.0 我都是直接 Python 代码创建模型的，载入存下来的参数。直接载入存下来的 Graph ？还不如用 Python 代码创建来的方便，随时可以改。

@habin 你这个场景可能适合用 卡尔曼滤波器 kalman filter。当年 NASA 科研人员为了处理航天器传感器的错误数据提出的。

@dogandcat 库没帮你封装，你想自己来? 没必要纠结这一点点性能问题，不占总耗时 1%

请使用 pyparsing 这个库，而且 Java 很可能有 user contributed example