国外的话可以。学校提供一大堆的 Linux VM 供学生 SSH 上去做作业。学生要的就是个 terminal 。见过用 chromebook 用的不亦乐乎的。

Github actions

已经主力使用这个远程开发模式两年了。本地机器 OSX，windows 都有，远程机器一般是台没装桌面的 LINUX 。
开发体验很好，一致性很强。不太关心本地的系统和机器性能，反正 language server，编译等比较吃资源的工作都跑在远程。

不少国外大厂已经全员采用这样的开发模式了 VSCODE + 远程服务器（例如 FB，但是他们使用的是自己开发的远程插件）。

hugo + digitalcoean app platform
不要钱。设置简单的一笔。

flask 项目需要会代码组织，否则写在若干个巨大无比的文件，会出现上面提到的几万行的情况。
组织需要动脑筋，不想动脑筋，就 django rest 这一套把，糙快猛，代码质量一般不会太差。

@lbingl 这个招的是数据仓库或者平台的开发，基本属于工程师。一般看学位要求里面的专业偏好的排序就大概知道想找的是什么样子的人。这个 JD 放的是 CS 专业，所以找的人肯定是偏工程师。

DS 的本科找的应该是数据分析员或者数据科学家的职位，和这个职位有差距。

@wellhome python 的 django flask 糙快猛不香么

I5 4600
Gigabyte b85 主板
32g DDR3
Samsung 128g ssd
Seagate 1 + 2 t HDD
Asus 1060 6gb 显卡

7 年老古董还在全力以赴。但因为最近做 k8s 开发，这个 CPU 核数已经不够用了，动不动 pod 就没法 schedule

你这个可以做成 kubectl 的 plugin，可能有更多的受众

再推荐个 Dockerfile 的 linter，可以找到一些比较有问题的 Dockerfile 写法问题，例如不恰当分层，权限过高，标签不恰当啊之类的。
https://github.com/hadolint/hadolint

分享个 google 项目的示例写法：

---
# Build the manager binary
FROM golang:1.13 as builder

WORKDIR /workspace
# Copy the Go Modules manifests
COPY go.mod go.mod
COPY go.sum go.sum
# cache deps before building and copying source so that we don't need to re-download as much
# and so that source changes don't invalidate our downloaded layer
RUN go mod download

# Copy the go source
COPY main.go main.go
COPY api/ api/
COPY controllers/ controllers/

# Build
RUN CGO_ENABLED=0 GOOS=linux GOARCH=amd64 GO111MODULE=on go build -a -o manager main.go

# Use distroless as minimal base image to package the manager binary
# Refer to https://github.com/GoogleContainerTools/distroless for more details
FROM gcr.io/distroless/static:nonroot
WORKDIR /
COPY --from=builder /workspace/manager .
USER nonroot:nonroot

ENTRYPOINT ["/manager"]
---

问个问题：用了 k8s 为啥还需要 spring cloud ？自带功能，最多加个 istio 就能覆盖各种特性了，而且还是语言中立的，支持各种语言写的服务。

@geekjc LZ 的任务听下来是属于计算密集型的范畴。多实例，上负载均衡，上 nodejs 这类解决 IO 密集型任务的方法并不能很好解决这个问题。

应该考虑 计算方法优化（转成 SQL ），矢量化，计算离线化等操作。

听着像是用原版 py 来搞十几万数据的 统计计算，group by 等操作。

建议直接上 pandas，专门是干这个的。十几万的 group by 也就是一秒钟的事情

LZ 的理解是对的，这些工具的用途确实出发点都很简单和单一。

numpy 就是个矩阵操作和预算的库。
pandas 是搞金融的人，写出来专门处理时序类数据变形加工的工具。

但是这个理解不完全，再复杂的东西，也都是基于简单的概念和工具搭建起来的。例如所谓的深度学习，拆解到最底层，就是一堆线性代数里面的矩阵运算。

但不能说，我掌握了矩阵运算，我就掌握了深度学习。我学会了 numpy，我就学会了数据科学。工具取决于使用的方法和人。例如，如果我明白深度学习的原理，完全可以用 excel 作为矩阵运算工具，来搭建一个简单的神经网络。

为什么十几万条数据，要用 py 来做内存处理呢？可不可以挪进数据库处理呢？单纯写 CRUD，很难碰到 py 的性能天花板。

取决于业务是什么。我目前的公司只有两个人，但我们是做 服务和计算集群管理的，所以使用这个架构基本是唯一的选择。如果是 CRUD boy 就没必要了。django，react 前后端做个分离，一把梭了

需要关机的确定是服务器？？