@otakustay 不足一米也差不多了啦…… 而且一米的桌子我确实见过，给导师做项目在阿里实习的时候。

@laxapple @tommyzhang 200% 缩放的话，放一米距离，字就太小看不清了。

27 寸 200% 缩放一米距离正好。

对于 bytes：

>>> np.frombuffer(b'string', dtype=np.uint8).reshape([-1,2])[::2].reshape([-1]).tobytes()
b'stng'

np.array(num_list).reshape([-1,2])[::2].reshape([-1])

24 寸 4K 会瞎眼的，相信我。。。

@caneman imgur 是被墙的域名。。。

@Hieast re.sub 有编译缓存。

@xfriday 队列是可以用 asyncio 来处理的。。。我相信 epoll 也有方案，只不过我没用过。

无脑上 BN 和 Dropout 的都是猛士。

第一，http://[ipv6 addr] 是标准形式。
第二，大概你的手机浏览器不行，getaddr 只用了 v4 地址。。。

而且讲道理我本来是想今年完善文档然后发布一下我这个库，写个小论文的（我这库可以写 Bayesian net + flow model + pixelcnn，再加个 gan 的画就能四项全能了，目前还没有这么完整能写 deep generative model 的库，大多只能写某一类）。结果 TF 2.0 大改。。。（ OTZ ）

另外 TF 2.0 的 API 和 PyTorch 其实很接近了，如果你有心，是可以写个兼容层的。。。

TF 2.0 替代全局 collection 的是可以直接递归从根组件收集各种对象，比如 update ops，比如 regularization loss。
----

其实你们 Keras 党还好啦，没有多少变更。我作为 tf.layers 党才蛋疼呢。。。

写 Bayesian 网络的时候，每个概率式子都是一个子网络，算上概率分布的参数还得有更多。一个 x,y,z 三变量的网络就得有 6 个子隐藏网络 + 四个高斯分布各两个独立的线性激活层，统共 14 个组件。（比如 HVAE https://arxiv.org/abs/1705.07120 ）。如果按照 Keras 的做法，你得在构造函数里面创建 14 个独立的对象，然后在合适的地方调用，简直太坑爹了。

如果用上 reuse + tf.layers，只要在构造网络的时候写一遍就行了。

比如我的库写的 p(x,y,z) = p(x|z) p(z|y) 三变量的 p 网络： https://github.com/haowen-xu/tfsnippet/blob/develop/tfsnippet/examples/auto_encoders/gm_vae.py#L144
再比如别人用 PyTorch 写的 p(x,z1,z2) = p(x|z1,z2) p(z1|z2) 三变量的 p 网路： https://github.com/jmtomczak/vae_vampprior/blob/master/models/HVAE_2level.py#L225

哪个简洁，一目了然。
----

可惜的是，Bayesian net 不是主流，被默默地忽视了。明明 reuse 在这个场景下超级有用的。

1、是的，静态图已经没有市场了。Collection 已经在 2.0 消失了。
2、但是其实没有太大问题，你只要改一改习惯就好了。。。

我去年也写了个库，写深度生成模型的，接下来也得大改，哭瞎。不过其实仔细想想，是改的了的。

https://github.com/haowen-xu/tfsnippet

@a523 Windows + 虚拟机 Linux 满足你的需求。

楼上说的都对。

我选择 mac。
----

折腾桌面，本科玩玩就可以了，之后折腾就是纯粹浪费时间。

别人家的孩子，长大版。

讲真，老人这个看法其实就是“我家孩子很没用的，有事没事都靠不住，还不如相信别人”。

楼主挽尊。