@andantin0 祝福你，新入坑的科研狗。个人小建议：一次性给一个设计方案，出方案毕竟也是很麻烦的。落实的事情让导师去头疼。落实的事情让导师去头疼。落实的事情让导师去头疼。如果你不想几年以后也许正在和对象鼓掌，电话过来听见：师兄～老师让配个 xxx，xxx 怎么报销……挂了电话想再起需要很长时间。

我是 Pixel 4 XL 用户，所有应用都来自 Google Play，开个 ss 就行。效果爽得一比。唯一可惜的是 motion sense 用不了，想用的话需要折腾。

@andantin0 店的话很抱歉，我没啥能推荐的。因为我们是找了长期合作商，是本地人，有注册公司，发票方便。我一般都是淘宝看看 CPU 、主板之类的价格，然后让他们去找，只要价格差异不离谱就接受。XEON 系列 CPU 的价格浮动是很丧心病狂的，你如果要自己协商，恐怕要费不少嘴皮子。我提供一下大概的参考价格：我记得我们用的 E5-26xx 系列是 3k 左右一颗（有工程版 2k 多点一颗，但是大家都说稳定性不好，我们有台当时没行货用了工程版，两年了没啥事，可能看人品多一些），主板 3k 左右，硬盘 1000 左右（固态系统 128G+4TBx1 ），电源海盗船 1500w 在 2k 左右，机箱几百，内存 16Gx2 带 ECC 加下来除了显卡在 1.7w 左右。我们一直用的是丽台的公版，是合作方直接联系丽台，每代（或上代，公版没货快，经费有周期）的 80(TI)系列都在 7k-10k，所以总价 5w 左右。也就是控制除了显卡的价格在 1.5w 左右，4 块卡、4 个人用就很合算。当然，我们的要求是做计算，CPU 也有需求，你们如果允许 i9+单路主板可能能便宜一点。你可以多看看 TPU 卡，这个和导师商量一下。买家的事还是和导师聊聊比较好，别最后你都能定了，价格超了需要竞标啥的。品牌的尤其是服务器他们卖的主要可能是服务还有售后，当然贵。

另：如果是走经费报销和固定资产，一般是有上限的，超过多少就要竞标，所以一般科研组都会有个很固定的买机器的商家，发票啥的都是有说道的。除非是你们老师是用从经费哪里套出的钱或者是一些企业合作之类的没那么严格的经费，才能让你直接淘宝搜。这点上你可以把整机配置挑好、京东 /淘宝的大致报价给老师，然后让他去办。我的建议是找固定的供货商，让他们赚点有时候也没啥，票子一套可是很麻烦的。要你出方案价格没必要那么担心，算好性价比就行，实在不行到本地电脑城那种地方去找个靠谱的实体，淘宝你可能得磨一阵子嘴皮子。个人建议，尽量找个靠谱的商家然后建立长期供货关系，公版显卡、E 系列 CPU 和一些服务器专用的东西对很多散户商家不那么好找的，专门做服务器业务的一般都会贵，当然服务也保障，但是真的贵。

如果人多以后一人一块卡，这个价格很合理了。或者偶尔搞点多卡并行，效果也很好。

我是做计算的，一定程度算相似吧。ML 的话 NVIDIA 有专门的 TPU，这个不是很了解。但这几年下来摸索的计算力价格比最大的组合：一般的科学计算，单精度还算行，所以游戏卡就可以，我们配置一般是 4U 机箱，4 块显卡的服务器（ 8 块卡的一般要定制主板啥的），显卡买公版，侧面出风那种。双路 E5-26xx 具体忘了，总共 48 线程，因为我们的情况是 CPU/GPU 都密集。内存尽量大，系统装在 SSD 里，然后上 4 块（可以逐步加） 4T 硬盘。主板我忘了具体型号，只记得是华硕的一个服务器主板，可以双路 E5-26xx 的，3k 左右，1500w 电源，自用也不用加冗余。总下来 4w-5w 左右（ 4 块卡，2 块硬盘，2xCPU，32G 内存），性能很赞，可以撑好几年（升级显卡还能再战一轮）。其实大头还是在显卡上，要是你还要考虑到后续小朋友一起用，推荐配置。

总到处跑的话巨硬 arc

@CRVV
@mingl0280
大佬说得好啊！

numpy 就可以。anaconda 的 numpy 有 MKL 加速。比如身高，data->(10, 5, 50, 2) 型的数组-> 10 所学校，每个学校 5 个班级，等量男女各 50 人两组身高，只要 np.mean(data, axis=(0,1)) 就是按学校和班级做平均。你还需要什么统计量 numpy 都有现成函数。

SolidsPy，没啥意外应该足够了。看需求和“期望导师出的题目”难道是本科生考研？

推的公式有一天能进教科书

def nextNum():
....i = 0
....while True:
........inv = int(str(i)[::-1])
........if i != inv and ((i+inv) % (i-inv) ==0):
............yield i
........i += 1

for i, num in enumerate(nextNum()):
....if i == n: # stop at nth
........break
....print(num)

1. 推荐你看看哈密顿力学。
2. 三体问题我记得 Sundman 几乎 100 年前就证明过非零角动量初始条件下都存在级数解，算是解析解的开端了。Qiudong Wang 之后还有一个关于一般 n-body 的讨论，这方面目前算是在 negligible initial sets (一些特定质量比、碰撞形式等） 上无效以外都有级数解。有兴趣可以去看看。
3. 如果讨论数值解，那么庞加莱早就使用相空间发讨论过，混沌体系，数值解追求“精确”的代价非常大。

np.all(np.less_equal(np.einsum('ij,...j->...i', hull.equations[:,:-1], <array(N_points, N_dimension)>) + hull.equations.T[-1], 0), axis=-1)，可以做批量判断，numpy 的处理比 for 循环快很多。

我弄错了一个地方……sorry，应该是 np.all(hull.equations[:,:-1].dot(p) + hull.equations.T[-1] < 0)

The convex hull of a point set P is the smallest convex set that contains P. If P is finite, the convex hull defines a matrix A and a vector b such that for all x in P, Ax+b <= [0,...].

Qhull 的文档，我给搞成等于 0 了。

不是数据坐标的话，就用像素坐标