如果真的按照你叙述的情况的话，你没错，只是你所处的环境似乎不太好。

用 jpeg 流，这是何等奢侈的行为。。。

因为需要正则表达式的地方，你不用的话，写出来的程序更难读、更难维护。

我管着 30 多台 Ubuntu 服务器，如果算上 vm 可能有 40 ～ 50。。。

虽然我不关心电费，但是它至少从来不崩溃。

@WordTian 我觉得 @lynskylate 说的没错啊，这简历本来就不靠谱。

应届生你要说会用这么多东西，我信，而且我觉得也挺好的。

你说精通这么多东西，我不信，并且会反感这个人。

@lhx2008 但是对于 Python 而言，range 是 Python 很早就有的基本写法。而且 Python 就一个语法，range，其他都是用户选择的自己的写法。把 Python 的 range 和其他语言比较，然后说 Python 的 range 不清晰，不通用，这就是傲慢。

因为你在写 Python 不是吗？ Python 自己又没有什么一会儿左闭右开，一会儿左开右闭的。所有 Python 的写法，从 range 到 [start: end: step] 这种 slice，都是左闭右开啊。放在一起，它们自己非常融洽，这不就是优雅的语言了吗？
- - - -

@richard1122 好吧，我反正不会 Kotlin，你说啥就是什么吧。。。

@lhx2008
@richard1122 你俩这种说法，说实话就是傲慢。。。一个语言最基本的一个功能，用了这么多次，居然还说“记不住”，其实就是不想记住、看不起这俩语言的设计思路。

@qiuxiaojie API 是抽象层。API 是抽象层。API 是抽象层。

因为很重要所以说三遍。
- - - -

现在很多人遇到的项目都是单机单数据库，久而久之，就以为后端就是 CRUD 这么简单的事情。

拿掉后端，先不说上面很多人提到的安全性怎么处理的问题。

如果如果你的用户增长了，系统要升级为数据库集群层 + 应用集群层 + 负载均衡层。

如果你前端只是负责 call API，那前端那坨复杂的代码就能不动，运维同学专心做负载均衡和数据库集群，写应用的同学可以保证 API 不变的情况下升级为应用集群。如果还不够，你还可以上自研数据库的道路，比如魔改一个版本的 MySQL。

但如果你前端全包了，你想像一下，你那坨代码该怎么改？

你惧怕不确定性，所以本身就是随遇而安的。。。去南极读测绘这种充满了未知（和趣味）的事情你还是别干了。

@caqiko 其实我觉得本来就没有什么“业务代码”的严格区分。

就如 @loading 所说的，登月项目的代码是不是业务代码呢？是的话，谁是需求方呢？

同样地，操作系统不算业务代码嘛？用户的需求不是需求嘛？

@lincanbin 微软要是一直以这个态度开发系统，那它的系统一定漏洞百出。。。。

啊嘞，好像确实曾经有过十年时间，微软的 XP 系统漏洞百出来着？
= = = =

@caqiko 微软都花了十年搞定它“屎山”一般漏洞百出的业务代码，你觉得这种写代码的方式不会让人感觉 low 嘛？

C++ 怎么样？

2018 款的键盘和 2017 款的简直不是一个物种。。。好用了不少。

@zonghow 我觉得 @shyrock 的逻辑很对，这也许就是你领导的逻辑。

不过他的屁股大概是歪的，不是程序员码农的屁股，而是领导的屁股。

我感觉你领导能说出这种话，证明你在框架搭建上面有多少贡献，他自己心里面清楚的很。他只是觉得框架已经搭好了，目力可及的范围内都不需要再搭一遍，所以你要么干点别的创造新的价值（比如体力活），要么就滚。反正等下一个项目要上了，再开个 18K 找个新的，应该不算太难。（用完就再赶走呗，笑～）

对于小公司，这种价值观大概无可厚非吧。毕竟资本寒冬，人家公司法人也是要恰饭的。能省一点是一点。

这就看你自己的追求了。是追求稳定的工作，还是追求更好的环境？

其实没必要死扣这些概念。

如果你想死抠，那么顾名思义，Middleware 就是 Middleware。

错了，不是 Bernoulli-likelihood，是 Categorical likelihood。

https://en.wikipedia.org/wiki/Categorical_distribution

Mini-batch 的本质是，通过有限个样本计算 x 上的期望。这叫做蒙特卡洛积分。

https://en.wikipedia.org/wiki/Monte_Carlo_method

真正的目标函数是 E[log p(y|x)]，而你的 log p(y|x) = log Bernoulli-likelihood(y|x)。

而 1-mini batch 会让这个期望估计地非常不准，方差极大，以至于大部分情况下估计的期望所求出的梯度，连方向都是错的，自然就根本不可能收敛。

这就是 mini-batch 不能太小的数学原理。

- - - -

另外，我看你好像没用 log Bernoulli-likelihood(y|x)，而是用了 Bernoulli-likelihood(y|x)（没开 log ）。

这是不妥当的，会带来数值问题，容易出 NaN。

你应该用 log_softmax(t) = t - t_max - log(sum(exp(t - t_max)))

老了，安卓都不想折腾了，别说苹果了。。。

@minami 我这句话也是自己的意见啊。

楼主你进错了专业。。。