既然用 redis 了肯定是注重效率的应用
----

非也非也，可能只是不适用 DB 的场景。比如实时数据推送

@MiketsuSmasher 因为没有必要啊。

比如搞定 xrdp 很有用嘛？我看其实没啥用。不能流畅使用远程桌面，那就不要用呗。本来远程桌面的工作流程就听 unprofessional 的。再比如 Linux 上折腾出来 WeChat 很有用嘛？如果工作流程强依赖 WeChat ，那还不如 Windows 本。

@webfrogs ps. linux 开发是好用，为了开发 c++ 程序所以几个月前切换成 Linux 工作了一段时间。最近 C++ 写完了写 Python ，我就润回 mac 去了。

@webfrogs 几个月前我刚折腾过 WeChat over Deepin Wine & QQ 。但是 WeChat 小毛病没有，大猫饼一堆。QQ 用了一段时间就启动不能。PS 功能就是全，而且我买了正版。

确实 Linux 勉强能用，但是就是浪费你的时间，还要忍受各种小毛病，降低工作效率。。。更何况都办公了，Word 格式不要和别人匹配嘛？一个表格页面在 LibreOffice 上拆成两页，这根本没法用啊。

@monster33 想以后用 Linux 桌面办公或者写代码的
-----

不知你想用 Linux 办什么公。

不要用 Linux 折腾 WeChat ，Office ，P 图，或者甚至就是处理一下别人 XX 网盘发来的文件。这些都是浪费你的时间，因为 Linux 在这些任务上几乎不可用。不要信什么 Deepin Wine, LibreOffice, GIMP ，这些总是问题多到让你怀疑人生。

@monster33 我用了几个远程软件 anydesk 这些，感觉没有我之前用 rdp 链接 Windows 的时候流畅
----

我猜 xrdp 不能解决你的问题。因为 windows 的 gui 是内核级支持，可以做很多优化。linux 的 gui ，kernel => (userspace) xwindow => (inter-process communiation) xclient 。总之特别蠢

@monster33 顺便折腾 Linux 桌面没啥意义。当年我保送以后一直到本科前两年闲，从 Ubuntu 到 Fedora 到 Linux Mint 到 openSUSUE 到 Arch Linux 全都折腾过。Gnome KDE Gnome3 都玩过。从 Ibus 时代玩到了 fcitx 时代。最后结论：没卵用。。。

@monster33

可能是我刚刚切换到 manjaro ，不少东西需要自己手动改，然后很多东西不懂啥意思，就折腾的费劲，比如装 xrdp 一开始直接黑屏，按照官方 wiki 来的，后来发帖之后大佬说是加了两行代码。
----

我的天哪，xrdp 在下就算用了七八九年 Linux ，维护过 30+ 节点的集群，我也不会去捣鼓这种玩意儿的。这种边缘极客就是折腾死没商量的吧。。。

1 、做一个启动器，监听端口做服务。
2 、收到要启动进程的请求，fork & exec 。
3 、传回结果。

……

然后你发现，你实现了一个 rq 。所以干脆直接用 rq 。顺便你说的这个问题在这一页 doc 上有写：

https://python-rq.org/docs/workers/#performance-notes

JSON?

本名 >>>>>> 莫名其妙的英文名
----

想象一下，一个外国人张口说：

我叫张三
我叫王小明
我叫李治
……

@sadfQED2 信息论基础不需要单独开课。我们学校记得就是大一的“计算机科学导论”里面有一点相关内容。

非科班很难理解信息量，不过这里给出一点点小提示：
-----

信息量 = 解码器的信息量 + 编码信息量

而一个具体事物的信息量是固定的。要减少编码后的信息量，就不得不增加解码器的信息量。举个例子，magnet 的种子信息量就只要固定长度的 hash ，压缩率很高对不对？但是如果你把全球所有人的设备都看成是解码器的一部分，你会发现这个解码器的信息量是非常巨大的。换句话说，通过增加解码器的信息量，成功把很多 3GB 的小黄片编码成了几十个字节。

但这种压缩方式还牵扯到另一件事情，哈希冲突。实际上用这种编码方法也无法编码“所有可能的文件”，只不过这套 BT 分布式编码方案只编码“常见的串”（真实出现的小黄片），而不太像正常影片的可能性被抛弃了。这种抛弃造成了解空间全局信息量的巨大下降，使得整个 BT 解码器成为了可能。

@RuiCBai 训练样本分布外

假设训练样本的分布是 p(x)，那么现在的大部分训练出来的神经网络在 p(x) 定义域之外的分布上并不能给出有意义的解。

@RuiCBai universal approximation theory 只说了，神经网络能表示任何一个可测集上的连续函数函数，但是不保证你的训练方法能恰好找到这个潜在的函数。大部分情况下训练样本外的数据，现在的神经网络并不保证能给出有意义的解。

@zungmou 你得设置合适的目标函数。。。但反过来这可能又等价于你转换成二进制了。

ps 补充“特征工程”这个论点。

如何用神经网络学习奇偶判定？直接放进去一个数是不行的，因为机器学习模型在这个问题上，任何超出训练集范围的数都是“训练分布外的数据”，不能得到有意义的输出。

正确的方法是比如，转换成二进制，拆成若干 0/1 串。。。。那恭喜你，正确答案就是看最低位的。这个机器学习能学到。但是已经转换成二进制了，那和直接写出奇偶判定的程序，也差别不大了。

当然你也可以转换成四进制、八进制，十进制，六进制。这几个进制对于奇偶判定的问题都比较 easy 。若是转换为三进制、五进制，多看几位应当也能搞定。这就是机器学习和人做奇偶判定程序有区别的地方了，人的话必须先二进制，然后才能给答案，第一步特征工程必须非常精确。但是机器学习的话，稍微有点偏差，给个 X 进制，也能凑合着学出来。所以它比普通的程序算法要稍微“智能”那么一点。

@lizytalk

机器学习不是魔法，需要特征工程。

但是题目中的问题一旦涉及到特征工程，就和朴素的算星期几没有多少差别了。

我很好奇你的 pandas 写法是啥样子的