开个 fail2ban 几乎不会有问题，ssh 算是好处理的了，你要是部署其他 web 服务就麻烦得多了

conda 已经算好用的了，你原来在 Windows 下不在意环境直接硬装，如果要用两个版本的 pytorch ，那怎么办呢

1. 你发现环境装错了，卸载掉原来的，在用户目录下重新装一个不就好了，为什么要折腾自己
不管是用 anaconda 还是 miniconda 还是别的，默认就是装在用户目录的吧，你想装到别的地方反而要手动指定目录，挺奇怪的

2. 卡在解析依赖，可能是你用了 conda install xxx ，用 pip install xxx 就没这个问题了

3. 用 docker 只会比 conda 更麻烦，我唯一知道必须要用 docker 的地方是，nv 的新显卡对于 pytorch 有优化，比如 4090 ，不用 nv 的容器，用 pytorch 官方的 pytorch 性能会下降，不知道 pytorch 官方什么时候才能更新就先用 nv 维护的 pytorch

医学相关内容怎么样？
别送国内通用的那种蓝皮的那个，大家都有就没新意了
要送就送那种国外的，不是国内教材的，被大家称为圣经的之类的经典书籍

我也不懂临床，随便帮你搜了一下，比如这个：
Ingle 牙髓病学(上下英文原版 7 版)(精)
两本价格 300 多，你嫌便宜可以多买点套装之类的

或者听诊器，我也不知道牙医用不用听诊器，不过这个可以把礼物价值堆得很高，进口听诊器好点的，也要好几千了

@FrankHB
跨设备的行业标准和 cuda 又没有关系，这两个都不是一个层次上的，directx opengl vulkan 这些已经把 cuda （ opencl ）封装了一层了，不可能说有一个什么新的库出来，大一统了图形 api ，就不用 cuda 了。举个后端的例子，不管是 jdbc 还是 spring ，还是以后有什么别的框架，mysql 本身还得有人写

@FrankHB 看上去你对于 rust 有很独特的偏爱，不过你要是把自己用来批判别人的时间挪一点出来，给 rust 生态做贡献，“会折腾的没什么人有兴趣自己造更没资源推广”这种现象就会变少一点了

@user667788 我个人的理解是这样，不一定对：
1. c++市场供应更大，找个同水平的 rust 程序员花费更高，尤其是在高性能领域
2. 深度学习需要调用 cuda 和很多其他运算的库，似乎只能用 c++来做，至少 c++是主流
3. c++新标准用了之后不算太老，c++20 ，23 有各种新东西，协程, module 之类的都挺好的

你举的两个例子，最初都是用 python 开发的，其实深度学习项目想部署，确实大概率要转成 c++，会 c++算是必备技能吧。就看你做什么层级的工作了，如果是纯做算法的工作不需要懂 c++，如果底层点，偏工程一点的岗位不可能不会的

c++其实一直没有被忽视的，就算是深度学习这个领域也是，最主流的框架用 python 调用，但是框架底层不少还是用 c++写的

unity 游戏的逻辑是用 c#写的，但是稍微底层一点就需要 c++，比如写插件，优化性能不好的地方
初学者先不用管 c++，深入之后再学，这个学习曲线比 c#较陡峭一点

韩国的 ai 比日本好太多了，可能是我孤陋寡闻，没听过有任何有影响力的深度学习进展是日本人做得
VITS 就是韩国人做的，这个的改进型算是目前最主流的 TTS 方案了

@springwood 现在很多应用除了密码都需要移动设备验证了，不是很关键。手机号和手机号串联的其他隐私更重要

好厉害的大佬，开源的小项目也能有上千的 star
不过 pytorch 底层不也是 C/C++写的吗，所以想要性能比他们好还是有点困难？

1. 看你要研究的项目，再决定基础到什么层次
如果你搞的是纯粹调整模型，加新的学习策略，不需要懂基础，只要了解一点点数学 (会矩阵运算)+熟练使用框架就行了，直接看论文
如果你搞的是 diffusion model 这类比较需要理论的，确实需要多学点基础

2. pytorch lightning 相当于在 pytorch 基础上又包装了一层，帮你解决琐碎的细节，我觉得还是挺好用的
学习时间也很短，如果你本身会 pytorch ，一般一天就能学会了，不用担心
源代码用 pytorch lightning 是好事，一般这种代码会易读一点，因为 pytorch lightning 强制你实现各种模块，代码比较规整，很多开源代码用原生 pytorch 写得一坨，很难读

https://lilianweng.github.io/
很简洁，也很好看

加密货币的计算任务是好拆分的，深度学习的计算任务不好拆分的

先不谈通信的损耗，假设你把训练任务分发给多人之后，用了什么黑科技，等于在一个集群上算：
效率损失也很惊人，这里有个现实的例子（ mlcommons ），4216 张 A100 的速度只有 8 张 A100 速度的 90 倍，而显卡的数量是 527 倍，你可以想象一个如果分发给更多用户的损失有多惊人

而且有一个最低限度的需求，用户的电脑至少能装得下一个模型的一部分吧，而且模型并行的效果不如数据并行好，如果用户的显存太小会非常麻烦的。你想把一个深度学习任务在一个大规模分布式系统上部署，本身就是一个很难的课题，还不如多花钱直接用好显卡在集群上跑

应该不行吧
我用的中行 VISA 也绑不上，DBS 的就可以