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。

@a132811 恰恰相反，曾经用 IE + ActiveX 一定能实现楼主的需求。Java Applet 也能实现。Flash 的话，似乎好像也能实现？

但是我们大家都看到了，这些技术就是漏洞百出的筛子，能让黑客轻易控制用户计算机。所以现在的浏览器反而收窄了边界。

单向：long poll, server event push, websocket
双向：websocket

我觉得有可能起作用。

因为域名、Cookie 等因素会影响浏览器及中间 proxy 做缓存。

15 寸 + 1。写 LaTeX 的时候你就知道为啥要 15 寸了。

VPS 自建 bound server。。。

顺便提醒一点，为了体会最精粹的每个类库的编程范式，千万从官方文档开始看。不要看中文博客的内容，不要看别人咀嚼过一遍留下的残渣。那种文章很可能代入了作者自己的范式，反而落了下成。

其实面向对象是个太纯粹的概念。现代编程语言或多或少都是混合式的编程方法，比如 Java 8 已经是 OOP + FP 了。

我的建议是，不要想太多，多学习你主力语言优秀的库，多体会他们的 tutorial 的编程范式，然后去写点不小的练习项目。就会了。

顺爱每个语言，甚至统一语言的不同类库，都有不太一样的编程范式。你一定要去适应这种不同，而不是用你自己统一的编程范式去用各个类库。后者是吃力不讨好的，因为你为了统一范式，很可能需要给每个类库写一套 wrapper api，而且你自己的 wrapper api 很可能反而比不上原始的范式方便清晰。

自己写一个呗，多简单的事情。

https://gist.github.com/haowen-xu/9bb1d34be1777f42afa03234e2f72682

但是找工具整理也不是一股脑丢进去完事，而是有组织地整理。。。一股脑丢进去还是换了一个地方堆而已，依然不是好习惯。

养成好习惯，自己去整理。如果整理很烦，就找工具整理。

你是做啥工作的。。。我觉得，系统地学习某一个成熟项目的所有源码，大概投入产出不太高。。。如果有比 hadoop 更小一点的，微型的教学型的相似系统，通过那个东西学习原理，大概更高效。

作为在读博士，天天和 TensorFlow 打交道。我用 TensorFlow 的经验是，公式（原理）理顺了，用多了，很多时候 TensorFlow 某个函数到底怎么实现的，我心里也有谱。有过几次我给其他实验室成员 debug 模型奇怪的错误，说到“这里 TensorFlow 应该是怎么实现这个操作”的时候（虽然我没看过），去翻它 C++ 的代码，基本八九不离十。