一个支架和我显示器一样贵的显示器居然不支持 HDR
莱万是不是迄今中国球迷嘴里的「死人」们里最强的一个
我他妈，玩了 10+ 小时的神界原罪 2 坏档了 :)
第 N 次尝试茶杯头之后我终于把它删了
@rodot 有点想吃（吃不到
@Cronopio 我怎么觉得你厂已经占据争四主动权了，少赛两场只差一分
第一场完整看完的 J1 就非常精彩，上赛季冠亚军之间的较量，横滨水手在上半时落后一球的情况下连扳川崎三球。
是不是把足球赛程下载成数字日历文件的服务一般只支持下载选定球队自己的赛程，有没有支持只下载几支球队互相之间比赛的呢？
每次做咖喱都能吃两杯米，撑死
自从看晚场球的代价从熬夜变成早起之后，越发看不到球了。
@iam 是啦。language modelling 的理想结果就是词语向量化之后，向量之间的 cosine similarity 可以指代所代表词语之间的 semantic similarity，这样才能让机器以数学的方式「懂得」所谓的语义。实际上的 training 还是从一个词 how frequent 出现在哪些 context（上下文）里出发的，这也是为什么两个拥有相似 context 的词之间可能具有高相似度，即使它们完全不是一个东西（「长江」和「钱塘江」），或者甚至是反义词（「涨价」和「降价」）。
我说到 window (context) size 是因为，如果 context size 比较大，像 41，在训练时每一个 context 就是由 target word 和前面 20 词 + 后面 20 词组成的。在这种配置下模型就可能能更好地学习到所谓的语义，例如「涨价」和「降价」，在 Google News 的 corpus 里或许就能被区分了，因为上下文里可能还包含了「消费者开心/抱怨」等信息。而像游戏用的这个 pre-trained model，可能用到的是 5 左右 ，也就是 target 前 2 词 + 后 2 词构成一个 context window，这种情况下有很多信息就不能被 captured。考虑如此，拿到一个排位中间的词，猜 interchangeable 的词来逼近目标词（而不是单纯考虑「同义」「近义」）应该是比较好的策略吧。
当然这些都是我粗浅的理解，不一定对，我也根本不会玩这种游戏 
@iam window size（前后几个词）应该可以改变吧？它是 word2vec training 的一个 hyperparameter。如果 window size 更小，就是词语间的 interchangeability 更决定 similarity，如果更大就是词语相关性决定更多（不一定对
近期的苹果体验：
1. 买新设备 trade-in 的 MBP 拿到最高价（虽然还是比不上自己到二手市场卖
2. 新设备电源线有问题，免费换了一根（感觉不错但这种基础设备好像本来不应该出问题
3. AirPods Pro 检测出声音问题（这个问题广泛发生于 2020 年 10 月之前生产的 AirPods Pro，见 https://support.apple.com/zh-cn/airpods-pro-service-program-sound-issues ），免费更换了一对耳机。这个确实超出预期，毕竟我也是用了两年多之后其中一只才偶尔出现轻微爆裂声。苹果这个服务计划相当于把受影响设备的保修期从 2 年延长至 3 年。
4. iCloud 以及流媒体服务依然很烂
新 mbp 刚买来几天，发现内附的 USB-C to MagSafe 线时不时无法正常供电 :/
@auis 
又不是故意的，我是受害者呢
