刚上大学千万不要配台式机，否则你的结局就是宅寝室四年。

你竟然看得下去？我现在除非项目需要，不然任何一种新语言的“书”都是看不下去的。而当项目需要的时候，看什么书啊不要怂直接上。

Thomas Calculus，先试试看吧。如果觉得数学不是那么枯燥，可以考虑走 ML 路线。

想要有序，请使用 collections.OrderedDict

最后一个，补充一条：其四是 Native Library 绑定。包括 Cython 的混合编译器，你可以写自己的 Native Code。或者现成的比如 NumPy。不要小看 Native Library 这一条，它会从根本上改变你写程序的思路。比如你原来习惯写 for 循环的，因为 Python 自身很慢要依赖 Native Library，你不得不把要做的操作搞成 batch operation，然后用 Native Library 一并执行。

比如用了 NumPy，你写一个分段函数 f(x) = x/2 (x^2==0) ; 3x+1 (x%2==1)。当 x 是一个大数组的时候，你会选择这么写：

f = lambda x: ((x / 2) * (x%2 == 0) + (3*x + 1) * (x%2 == 1))
print(f(np.arange(N)))

因为 for 循环真的很慢，if 判断也很慢，所以哪怕你用 NumPy 把操作变成了 O(4N)，也比用 Python 写一个裸的要快得多，当 N 很大的时候。

我觉得像 pickle 这种只能算小技巧，用它可以写程序，不用它也能写差不多程序。

Python 里面真正影响深远的特性，会真正影响整个程序的结构。首要的一个特性是 GIL，这导致了 CPython 写多线程就是渣渣，所以众多网络库走了 coroutine / multi-processing 的路子。coroutine 的代表是 gevent，multi-processing 可以算上各种 wsgi 容器，比如 uwsgi 和 gunicorn。

其二可以算上 Threading Local Storage，包括 Flask 的 request context，TensorFlow 的 default graph / session，等等。这是一个设计技巧，可以让你的程序在 coroutine 或者 multi-threading （有时候可以用，比如 TensorFlow 大量使用
C++ 绑定，在进入 C++ 程序段的时候会释放 GIL ）的 context 下面，把一些全局变量当做单线程环境使用，是一种设计上的抽象。而且该特性对 gevent 之类的 coroutine 是透明的。

其三可以推 monkey patch。比如 gevent 可以对整个 Python 进程进行 monkey patch，使得所有 socket + threading 的多线程程序透明地转化为 socket + coroutine 的程序。

@Swiftfrog ThinkPad 比果子的机器厚。。。。

这只能说青菜萝卜各有所爱吧，有人追求轻便，有人追求键盘手感。

Pickle 一般能避免就避免，有安全隐患。

不用双系统，256 应该没有问题。

return {'yes': 'Shutting down', 'no': 'Shutdown aborted'}.get(s, 'Sorry')

Touchpad 做这个操作毫无难度。

内存无法 DIY，当然选内存。

从二三十年的角度看，人工智能产业化已经不可避免。越来越多的算法，包括 Deep Learning，将会以函数库的形式从研究室走到大中小 IT 企业里面。会机器学习这门技能不保证你能进大公司、或者在小公司独当一面，但是不会的话你将会与这个境界彻底隔绝，沦为给医院之类的甲方写业务系统。就好像现在大多数不入流的 Java 程序员，不会分布式，就只能去做搬砖的业务了。

然而机器学习这类算法，虽然调个软件包就能跑，可是要用好用对，非要有一定的理论基础才行。如果说现在的时代，不会算法只不过让你写出来的程序跑得慢；那么机器学习时代，不会理论会让你在写机器学习的程序的时候，写程序写得慢——毕竟你要调试超参，盲目调试，只能凭运气凑了。

@Kilerd 我上次写博客程序，调研了一下，听说 mistune 速度很快，于是就用了它。然后我陆陆续续地手工注入了 LaTeX 公式（多行 + 行内）、CrossRef （包括对图片和章节的交叉引用）、BibTeX Citation、PDF 当做图片显示、自定义的相对路径链接、自动产生 Index Page 之类的功能，到最后代码已经惨不忍睹了。

https://git.peidan.me/xhw15/ipwxblog/blob/admin/ipwxblog/core/markdown.py

后来我终于领悟了一件事情，那就是速度都是次要的，关键是它得在设计上支持扩展才行啊…… 所以我开始怀念 Python Markdown 那个库了。下一个版本重写博客程序，我一定不再用 mistune。
- - - -

P.S. 给你看一下我这个魔改过的 Markdown 实际用起来的效果：

https://ipwx.me/notes/Paper-Reading/A-Note-on-the-Evaluation-of-Generative-Models/

只会 ThinkPHP 和只学了一点前端有什么本质区别吗？

@imlonghao Markdown2 是退步，还是要滚回去用 Markdown。
@Kilerd Mistune 扩展一点都不方便。

我建议你用正经的框架写，比如 TensorFlow，而不是 NumPy 手撸，不然浪费你我的时间。

原因是这样的，你作为初学者，写出来的代码，无论是命名方式还是结构性都太差了（和违反 Neural Network 业内的 Best Practice ），懂的人看你的代码就好像 C++ 的老手看初学者仿照谭浩强的教材写出来的代码那么痛苦。

https://www.tensorflow.org

你是想要深入研究 Python 写代码的 Best Practice，还是 Python 解释器？