一个非常大的疑问就是，你训练出来的模型如果比市面上的都差，怎么办？

我们已经基于 langchain 做了一个，学生和 ai 聊天，ai 会随机出一些题目让学生做，最后 ai 对学生进行评分总结。

总的来说，工程背后的工作很多，并不是那么简单就可以做得好用。

自己搭完就会发现还是云服务便宜

两种架构用过就知道了，arm 就是慢一点的 x86 ，服务器你又不用在意功耗，直接 x86

楼上根本没训练过模型在这瞎扯。。。。
自己收集数据集，比如一大批 ai 生成的图片，和真图像，自己做标记，ResNet50 训练
往简单里做，比如就收集几百张图片，随便找个在校研究生都能搞，就是效果肯定比较初级
往复杂了做，想达到商业级别，数据集你也可以收集几百 T ，招几百个人的团队给你做标记，租集群做训练，成本就无上限了

前一阵遇到个问题才知道 macOS 不区分大小写，而且想改成区分大小写要重装系统，当时就在想最终开发还得用 Linux

读得多就值得买，读得少就不值得买

你说的目录是源码结构，最终打包结构和源码显然不是一回事，严重怀疑没做过真实项目才有这种设想

你一年回家几天还担心再也回不去？你想借就借吧，反正也不用网友出钱。

保持别人插不进来的距离，狭路相逢勇者胜

都是鸡毛蒜皮的事，整天折腾这些事，不如早点写完回家喝啤酒

语法上肯定是 lisp ，数组 flatten 的函数，别的语言得多繁琐

```
; (flatten L)
; -----------
; takes a potentially-nested list, L,
; and collapses all its elements into a single level,
; maintaining their order
; e.g. ((1 2 (3 4) 5) 6 ((7 8) 9))
; becomes (1 2 3 4 5 6 7 8 9)
(defun flatten (L)
(cond
((not (listp L)) L)
((null L) L)
((not (listp (car L))) (cons (car L) (flatten (cdr L))))
(t (append (flatten (car L)) (flatten (cdr L))))))

; trial runs
```

别人多挣的是别人的本事，可能人家学历比你好，或者小姨子让老板睡了呢？
有这个心思多学学技术，跳槽加薪，等你薪资比他们多 1 万，就会发现现在想法很可笑

我用了两块 apple watch ，第一个是初版用了 5 年，后来电池鼓了去店里免费换个新的。后来换了个 s4 用了 4 年，电池鼓了这次没换，直接换了个 s10

antd 谁碰谁倒霉

爱康国宾就是帮你测个血压血脂转氨酶什么的还凑合，别的就扯蛋了