- 当年第一代尝鲜买的 surface RT
- 各种手环

再补充一个，微信视频画质很奇怪，还有莫名的美颜，无力吐槽。。

前几天给家里长辈买的 x300 ，想着给小孩拍照片好看。结果昨天上午到货，他们的最直接的反馈是系统难用，折腾了好半天，遇到的问题包括且不仅限于：

1. 应用整理问题：下载的应用找不到，电话放不到首页上去
2. 照片怎么有水印
3. 广告太多，滑着滑着各种美女跳舞 （我妈疯狂吐槽）
等等

虽然能理解旗舰机型的目标群体可能不太是他们这类人，但说实话他们对这个品牌的第一印象还是太差，晚上退了手机，打算还是换 iPhone 了。

大概有这核心的几步？

1. 主体检测，确定好焦点（旋转中心）要在哪里
2. 深度识别 Depth Estimation ，对每个 object ，包括背景确定好景深
3. 空间适配，大概就是转一下手机，会根据深度 depth 来提供不同的 offset 偏移量，比如说离焦点越远的点，转动手机带来的偏移量会更大。

里面最重要的深度识别 ，苹果一直有在 follow 各种开源库，比如这个 https://github.com/DepthAnything/Depth-Anything-V2 ，能看到很快就集成到了 Apple Core Models 里面

在等有高刷的新品了

手里刚好就是这两台
自购的 M3 Max 公司发的 M4 Pro
基本和正文是完全一致的体验
除了外设 这个屏幕我确实看不出差距..
PS: 我也会做你和你一样的选择

希望能形成很好的原创鼓励机制
也小小支持一把

真好 支持！

哪里是白嫖 你知道今年有些厂的实习工资都卷到 1000 2000/天了吗 🤔

抛开最简单的加速游戏资产制作之外 -

AI 叙事、关卡 - 已经很多人在探索了，未来 5 年肯定能看到很多这方面的优秀独立作品和更有创意的玩法。能扩宽多少游戏的边界，得看制作人的创造力。可以看看这一篇分享，介绍了今年 GDC 上的相关见闻：
[独立游戏小团队也能在 GDC 开讲座？｜ AI 原生游戏《 1001 夜》在旧金山的 1 周收获] https://mp.weixin.qq.com/s/2LY_KOokZtHZbaTDulq1Mw

但是原生的 AI 游戏引擎，这还差的老远了，游戏引擎里面涉及到的东西太多，实时性、一致性、可控性，哪个拿出来都够目前哪些 VideoGen 啃好几年，而且做出来也是上面的问题。这好玩吗？
能上手玩的雏形可以参考下微软做的这个: https://copilot.microsoft.com/wham?features=labs-wham-enabled

纯编程的看的很少，关注的基本是娱乐和编程结合，推荐一个：
码农高天 https://space.bilibili.com/245645656

只觉得悲凉

定做的 1800x700x45 的樱桃木桌板 加上成品铁艺桌腿 总成本 2000

Anaconda 本来就不保证所有包会及时更新 （并不是不跟了），他们会定期在经过一定的测试和验证之后统一更新，对于科学计算来说一般也不太需要过高的更新频率。我瞅了眼 qtconsole 的在 anaconda source 里面的更新日志，有些版本都直接跳过了。

但这也并不是没有解决方案，如果实在是需要最新版本的，官方也是允许使用其他的安装方式例如自行编译或者使用 conda-forge/pip ，在严格检查包依赖的情况下，大部分情况下是不会产生问题的。最让你难受的，大概是自己的环境洁癖？(ref: https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html#using-pip-in-an-environment)

但我的理解是环境隔离的一大好处就是为了方便你折腾某个特定环境，如果实在担心，那就搞个 dev 环境用一下 pip 过渡，等官方源更新之后在切回去 base 再更新嘛。。

R.I.P.

本来一直用 14 寸 感觉很好
但是自从来公司用惯了 16 寸的 再用自己的 14 寸
总感觉键位、手两侧的手感、触摸板和屏幕都大打折扣

想去换个吧 trade in 的价格实在是太低
小黄鱼出二手又嫌麻烦 所以一直搁置到现在...

前提是给的训练数据和测试数据一定是有规律的。在你的例子里，如果每一天的血压在时间维度都是先上升再下降，那你将这样的数据喂给网络，当他看到一段缺失自然能根据 context 将其补齐。

不过这个 context 具体是什么，需要你根据不同的数据特征来做实验。比如完全抛弃时间的概念，那你可以套用 Image Inpainting 的思路，直接用一个 UNet 学习由 [残缺的数据] 到 [完整的数据] 这样的映射；也可以加入时间的概念，用 LSTM 去学习序列中的关系， [前 N 组] 去预测 [后 N 组] ，这样也是完全可行的。

不过不管怎么说，第一步一定是观察数据。

@catzilla 陈述下你的论据 看看到底是产品是智商税 还是谁被收了智商税