@SingeeKing 我第一次听到这两个还以为是一个东西

@YunGiser 这个 9196 老哥发的应该是 base64 编码后的微信号，为的是防止微信号被直接爬到

以前挺喜欢用 xshell 的，但是因为 tab 页数限制，所以转用 windows terminal 自己配置了。

我个人建议重装，而且要注意新电脑里一些关键的文件，例如适合当前环境的驱动、高色域屏幕的校色文件等等。我最近也买了台新笔记本，旧笔记本太多环境问题和软件问题了，最后用了个新系统。

如果英文水平不好，可以先翻译一下然后提取里面的关键词，一般是名词，然后在搜索引擎里用关键词搜索。计算机里的关键词我感觉也不多，久了之后就可以不用翻译自己搜了。

1. 小米屏幕挂灯 180
2. WD 移动机械硬盘 375
3. 小米电吹风 128
4. NIZ 静电容轴 540
5. Logi MX Anywhere3 379
6. Kindle paperwhite4 1247
7. Crucial 1TB SSD 649
8. 小米床头灯 144
9. AOC Luvia 2298
10. Philips 电动牙刷 289
11. 盈通 1050Ti 1299
12. Sony 1000XM3 618
13. Kingston HyperX 32GB 870

9016

感谢老哥，我用的是 32 位的。

渲染、仿真、炼丹（ maybe ）

恭喜恭喜

@deplivesb 我一般都是用小拇指的指关节而不是指尖去按，这样整个手部不会有太多的移动距离，舒服一些

@cxytz01 transformer 另一位已经说得比较好了，我就不重复了，就讲讲我对另两个的理解。inference 是「推断」，就是给一张图片、一些文本，得到对应任务的输出，这些任务可能是目标检测，人体关键点识别，机器翻译等。与之对应的是「 train 」，指的是对模型进行训练，利用「非线性能力」对模型进行数据的拟合。由于神经网络的参数量比较大，所以相比于机器学习算法花费了很大的算力，也取得了一些的成果。embedding 是「嵌入」，由于真实世界中的数据并不是「数字化」的，而是各种表现形式，例如图片、文字、抽象的社交网络等，通过嵌入的方式，我们可以得到每一个输入所对应的「向量」，所以这个过程也可以理解为「向量化」。图片是最简单的，在表现形式上，它就是 RGB 三个元素表示的，所以视觉发展得比较快。文本向量化最简单的形式就是通过「字典」按照顺序把每一个单词映射成数轴上的元素。

分母

我了解老高还是从皇室战争开始的，可惜后面他就不做了，换行做这个去了

@felixlong 谢谢，我用的是谷歌 cpp 写的 libyuv 转换的 YUV 格式，这部分花了 8ms，对于 60fps 还是慢了点。
@rpw 谢谢，我今天尝试一下（因为昨天赶着回家）
@mxT52CRuqR6o5 我在自己的荣耀 v30 pro 上测试的，实验室里还有个小米 11pro 我还没测。
@largek 我之前把分辨率降低到了 720P，但是帧率还下降了 2fps 左右。