今天听到一师兄做关于reinforcement neural network的报告，突然很想把以前某个关于机器学习的想法给实现一遍，再说现在机器学习红遍全世界，再不了解一下，感觉跟科研脱节了。

话说十年前，我入数学建模时，就开始跳进了神经网络的坑，那时候学了很多，也做了很多推导和工作，但是那时候限于cpu计算能力，这个方向一直不温不火，自己也在校报水了一点小文章，标题叫《基于XXX模型的XXXX系统》，可以说大概有了解，却没有深入，大概11年的时候，跟着学校的研究生做了一点NN的工作，结果还不错，但是那时候完全没有发文章的意识，只是觉得好玩，毕业了，工作了也就丢了。但是大概14还是15年开始，随着gpu加入，这个方向大火，今天已经燎原了，感觉错过了整整100亿。同时在12年，玩了一下比特币，觉得没挖到，就算了，看看今天的价格，感觉自己又错过了100亿。感觉自己天生就是穷的命

今天突然有种想玩一把机器学习的冲动，再一看，基本上机器学习都是用Python写的，毕竟现在核心计算都交给GPU了，用点胶水语言也无所谓了，要是放过去，说用Python做高性能计算是绝对不可想象的。大概五六年前，计算机领域大概流行这样一种模式，小规模验证用脚本语言，大规模计算用C来干，这才几年的光景，感觉这句话过时了。

话说自己接触Python也是本科期间，我本科没事的时候，最爱干的事情就是把图书馆理工科区转一遍，看看有什么好玩的书，所以也大概接触过Python，大概知道是个脚本语言，会写个Hello World。直到读研的时候，才开始用了比较多，用Python做爬虫，特别是Html上结构化的东西，用BeautifulSoup是比较方便的，再后来，用Python写点网络协议方面的东西，最后止步用Python写后端，说实话，读研那会真的是不务正业，天天搞这些乱七八糟东西，果然读博了感觉自己还是同样不务正业。

用Python最头痛的就是环境配置的问题，特别是在集群／超算上，不像个人计算机，你是没有权限改动系统文件夹的，所以基本上都是从头编译运行，自己编译一版Python，但我发现这条路走不太通，Python依赖的环境变量太多，感觉我搞不定，后来我发现组里的小伙伴都在用Anaconda来配Python，感觉自己已经落后了一个时代了。在小伙伴指点下，终于找到Anaconda是怎么用的，感觉超级方便。

https://it.stonybrook.edu/help/kb/installing-software-packages-locally-with-anaconda

安装包直接用conda install，方便程度感觉接近apt-get了。

哎，说实话，我高中毕业那会，关于对计算机专业的看法，我问了一下物理老师，他说，搞计算机的话，你得终身学习，现在想想这句的确不错。但幸运的是，我的专业不是计算机，但是干的计算机活，所以可以放松要求自己啦～～～哈哈哈

下面两个图展示了Anaconda里面Python和系统里面Python的区别

不过话说，有一点真的很奇怪，之前学校集群用pbs的时候，gpu的队列空的一塌糊涂，反而用slurm之后，gpu资源紧张了一踏糊涂。现在想跑个程序还得等。哎

虽然吐槽归吐槽，但是石溪的集群还是很不错的，各种package都有，管理员都很好，碰到问题都会很乐意给你解决，使用率相对国内来说还是比较高的。