你先得确定 os.system 用了啥 shell。不一定是 bash

@locktionc 浮点数的话，要用 (a-b) < eps，就用不了你这方法了。

@congeec 上面的 astype(np.bool) 似乎不必要。

@congeec 这个 gist 不是我写的，是我见过的写得最好的 rolling_window。

我昨天写的 np.max 其实还不太妥当。用 np.any 其实就够了：

is_matched = np.any(np.equal(np.sum(needle, axis=-1), l).astype(np.bool))

@locktionc 如果不是 bool，这招就不管用了

@wdc63 我那个实现就不用循环

@songdg 不点评我那个实现吗

@xuegj1010 别存它，直接 for 函数调用

另外题主，b == a[i:i+3] 这种写法已经 deprecated 了，要用 np.equal

先引入 rolling_window： https://gist.github.com/seberg/3866040

然后

import numpy as np

a = np.array([False, False, False, True, True, True, False, False, False, False, False, False])
b = np.array([True, True, True])

l = b.shape[0]
needle = np.equal(rolling_window(a, l), b)
is_matched = np.max(np.sum(needle, axis=-1)) == l

@jecshcier 我认为“没有歧义”以及“简单易懂”才是真正的美观。Python 语法禁止直接换行，因此不加分号。JS 允许换行，所以要分号保证没有歧义、以及一眼望过去就能知道代码在干什么。

@jecshcier 强烈反对。JS 就是 JS，凭什么和 Swift 走？

小机群可以考虑 moosefs 这类 posix 文件系统

所以你是四年的普博？现在读什么年级？
- - - -

按照我的看法，Deep Learning 的路径无非两条：

1、从数学开始补，学好概率论和随机过程，然后把 PRML 和 Deep Learning 两本书吃透，特别是 Deep Learning 后三分之一，生成模型、Monte Carlo 算法、Variational Inference 那些内容。有精力再了解一下实分析和测度论。接着开始追 Deep Learning 学术前沿。如果你什么时候看各种生成模型（ GAN, Bayesian nets ）文章都毫无困难的，那么所有 Deep Learning 的文章基本都不在话下，倒过来去看 CNN、LSTM 的结构简直如砍瓜切菜般容易。

这条路径的缺点在于耗时，估计得有两三年。

2、直接从 CNN 入手，追 CV 的前沿。追 CV 的原因是，这方面最成熟，工业界过渡得最好。对于论文里面出现的各种数学方法和生成模型（最近几年的趋势）不求甚解。反正现在实际的 CV 应用里面用上过的数学方法和生成模型，翻来覆去也就这么几种，全记下、会写，就算成了。这条路我没走，不过看起来是成立的。估计也就一两年，就能写出一手漂亮的模型了吧？

然后还有精力再去管你没有弄懂的数学和生成模型。缺点是没有大局感，后期进展比第一条路径慢，还得把缺掉的功课补上。

@xuegj1010 agentman_data = AgentmanReader(AGENTMAN_PATH).parse_data()

这一条就是根本原因。agentman_data 现在只是一个迭代器，只能用一次。

你在 Ubuntu 下面也是同样的效果。

~ 是 shell 解释的，你在任何一个编程语言里面直接写 open("~/...") 都会定位到 ~ 文件夹。除非你特别处理了，比如 Python 有 os.path.expanduser("~/...") 就能解释 ~ 了。

所以在任何配置文件里面都不要写 ~。在写 shell 脚本的时候也要千万注意不要把 ~ 放到单引号里面，因为 shell 不会解释单引号里面的东西。

@xuegj1010 所以你能不能把整个代码发上来，包括怎么产生这两个变量的。。。