收ID鎖蘋果最重要。

回收二手的蘋果筆記本電腦，收到貨之后有兩件事非常重要。

·第一件就是先檢查外觀磕碰。像這個是一個浙江寧波的粉絲發(fā)過來回收的2022款的13.6寸的microire M2芯片的。這個機子粉絲發(fā)過來之前描述國行買下之后就帶著保護(hù)殼，盒子包裝都占。收到之后檢查一下四角邊框確實沒磕碰，保修卡、說明書盒子里面都堆滿了，而且透明保護(hù)殼也一起帶過來了。

·第二件非常重要的事情就是查看機子有沒有激活鎖。這臺機子粉絲發(fā)過來之前說是已經(jīng)退出ID了，沒有了。但是收到之后第一時間恢復(fù)系統(tǒng)就發(fā)現(xiàn)它是有激活鎖的。看一下，綁定了一個4開頭的IPID。如果沒有賬號和密碼，這個機子就是個板磚，是沒法用的，這個東西是過不了海關(guān)的。

好在這個機器是個人發(fā)過來回收的，聯(lián)系的這位粉絲提供了機子的賬號信息，稍后登錄賬號之后可以把所有東西全部抹除，重新激活一遍。

大家去淘汰二手蘋果筆記本電腦或者去回收二手蘋果電腦，收到貨第一件事先看外觀，如果有非常大的出入看是不是快遞給磕碰了等等。第二個非常重要的就是先查ID，如果有ID鎖客戶是解不開的，機子都不用驗直接退就行了。

日，杭州牛老板遇到一件棘手的事情，于是他找到記者，希望他們可以幫忙解決這件事情。

電腦滯留

據(jù)牛老板講述，他是一名電商賣家，主要是在網(wǎng)上售賣蘋果系列的產(chǎn)品，其中包括：蘋果手機、蘋果電腦以及配套使用的設(shè)備等等。

5月22日，一名上海徐匯區(qū)的用戶在他的店鋪下單了一臺價值15700元的蘋果14寸筆記本電腦。牛老板在接到訂單后，立即聯(lián)系了京東快遞上門攬件。對方承諾，5月23日就可以將電腦送到收件人的手中。牛老板給京東快遞支付了18元運費后，就去忙其他的事情了。

由于物品過于貴重，牛老板對該訂單的物流情況格外重視。第二天晚上10點半左右，他查看物流情況時，發(fā)現(xiàn)電腦已經(jīng)到達(dá)上海永康營業(yè)部，但5月24日后，物流信息就再也沒有更新。

這時，上海徐匯區(qū)的買家聯(lián)系到牛老板，希望他可以催促一下物流，因為這臺電腦他著急使用。

可牛老板多次催促京東快遞，對方一直沒有給出一個合理的解決方案。當(dāng)時上門取件的快遞員表示：由于疫情的影響，導(dǎo)致快遞滯留在營業(yè)部或者是滯留在中轉(zhuǎn)線車輛上，希望牛老板再等等。

牛老板為了不耽誤客戶使用，于是重新郵寄了一臺電腦給客戶，他則聯(lián)系上海永康營業(yè)部，和對方約定好將快遞退回。

可這臺電腦卻遲遲沒有到達(dá)他手中。7月7日，牛老板的倉庫員工在核對信息時，發(fā)現(xiàn)這臺電腦已經(jīng)被激活使用，于是該員工將情況立即告知牛老板。

聯(lián)系負(fù)責(zé)人

牛老板聽到這個消息后，非常生氣，他懷疑是京東內(nèi)部人員存在“監(jiān)守自盜”的行為，于是他繼續(xù)聯(lián)系京東快遞，要求對方全額賠償。

很快，上海永康營業(yè)部的許經(jīng)理聯(lián)系到了牛老板，對方聲稱：倉庫沒監(jiān)控，所以目前不知道是什么情況，但對方給牛老板提供了杭州頤高營業(yè)部一位負(fù)責(zé)人的電話，希望他可以聯(lián)系這位負(fù)責(zé)人。

可牛老板撥打了好幾通電話，都沒人接聽。他非常著急，于是，在記者的帶領(lǐng)下直接來到了當(dāng)?shù)貭I業(yè)部詢問情況。

工作人員回應(yīng)

但對方的工作人員卻說：我們是不接受采訪的，你們也無權(quán)知道具體情況，有什么事情，可以聯(lián)系京東的公關(guān)。

記者為了幫助牛先生解決問題，之后多次聯(lián)系了京東公關(guān)，但對方表示：還在核查，希望牛老板再等一等？那么，這件事最終該如何解決？我們將持續(xù)關(guān)注。

laidML 是您的不二之選

想在 Mac 的集成 AMD GPU 或外置顯卡上訓(xùn)練機器學(xué)習(xí)模型？

任何嘗試在 macOS 上使用 TensorFlow 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的人都知道這個過程有點糟糕。TensorFlow 只能在 Mac 上利用 CPU，因為 GPU 加速訓(xùn)練需要 Nvidia 芯片組。大多數(shù)大型模型在 CPU 上的訓(xùn)練時間比在簡單的 GPU 上多幾個數(shù)量級。

更糟糕的是，許多 Mac 擁有功能強大的謹(jǐn)慎 AMD GPU，在訓(xùn)練時被迫閑置。TensorFlow 僅支持與 macOS 不兼容的 Nvidia 設(shè)備。這就是 plaidML 的用武之地。您可以安裝 PlaidML 并使用它直接在 Mac 的圖形處理器上訓(xùn)練 Keras 模型，而不是在基于云的系統(tǒng)上支付時間或購買新機器。

為什么是PlaidML

TensorFlow 作為 Keras 的后端，解釋 Keras 的高級 Python 語法并將其轉(zhuǎn)換為可以在 GPU 等專用硬件上并行執(zhí)行的指令。

PlaidML 是 Keras 的替代后端，支持除 Nvidia 的 CUDA 之外的并行化框架。在 Mac 上，您可以使用 PlaidML 在 CPU、CPU 的集成顯卡、謹(jǐn)慎的 AMD 圖形處理器，甚至是通過 Thunderbolt 3 連接的外部 AMD GPU 上訓(xùn)練 Keras 模型。

我最初開始使用 PlaidML 是因為我正在尋找一種在非常大的圖像數(shù)據(jù)集上訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)的方法。我嘗試在 Google 的 Colab 中執(zhí)行此操作，但事實證明，在線工具對于長時間運行的工作非常令人沮喪。我有一個 Radeon RX580 eGPU閑置吃灰，所以想要一種方法來使用激活 MacBook的顯卡來進(jìn)行 本地訓(xùn)練模型。

安裝

雖然 PlaidML 可以用 Python2 運行，但我們推薦 Python3，以及明智地使用Virtualenv。為使用 PlaidML 創(chuàng)建一個：

python3 -m venv plaidml-venv
source plaidml-venv/bin/activate

keras

要使用 Keras 安裝 PlaidML，請運行以下命令：

pip install -U plaidml-keras

最后，設(shè)置 PlaidML 以使用首選計算設(shè)備：

plaidml-setup

現(xiàn)在應(yīng)該安裝 PlaidML！您可以通過在運行MobileNet測試安裝plaidbench。

pip install plaidml-keras plaidbench
plaidbench keras mobilenet

快速設(shè)置

幾個快速步驟后，我開始使用 PlaidML。以下是如何在您的系統(tǒng)上使用它。首先， 通過 pip 安裝 PlaidML。我強烈建議在此處使用虛擬環(huán)境將您的 PlaidML 安裝與系統(tǒng)的其余部分隔離開來。

PlaidML 的強大之處在于其簡單性。安裝后，激活您的 GPU 就像運行一樣簡單

plaidml-setup

選擇是否要啟用實驗性功能后，此工具會詢問您要使用哪種計算設(shè)備。您應(yīng)該會看到如下所示的列表：

1 : llvm_cpu.0
2 : metal_intel(r)_hd_graphics_530.0
3 : metal_amd_radeon_pro_450.0
4 : metal_amd_radeon_rx_580.0

第一個選項是我的 CPU，第二個是我 CPU 中的 Intel 集成顯卡，第三個選項是我的 15" MacBook Pro 中謹(jǐn)慎的 AMD GPU，第四個選項是我的 RX 580 eGPU。我非常喜歡它是多么簡單切換處理器；這使我可以使用筆記本電腦的謹(jǐn)慎 GPU 隨時隨地訓(xùn)練簡單模型，并使用 eGPU 執(zhí)行更重的任務(wù)。

唯一需要注意的是，您無法再訪問 TensorFlow 功能，例如 TensorFlow 數(shù)據(jù)集。您編寫的所有代碼都需要使用純 Keras。我還沒有發(fā)現(xiàn)這是一個很大的限制，無論如何它會導(dǎo)致更便攜的軟件。PlaidML 也適用于 Nvidia GPU，所以如果你在一個使用不同 GPU 架構(gòu)的團(tuán)隊工作，PlaidML 會讓事情變得非常簡單。使用 PlaidML 作為 Keras 的后端非常簡單，如下所示：

from os import environ
environ["KERAS_BACKEND"]="plaidml.keras.backend"
import keras

這就是字面上的意思。下面是一個完整的示例，您可以在安裝 PlaidML 后在自己的系統(tǒng)上嘗試。它訓(xùn)練一個非常簡單的神經(jīng)網(wǎng)絡(luò)，其中包含一個對輸入向量求和的隱藏層。

import numpy as np
from os import environ
environ["KERAS_BACKEND"]="plaidml.keras.backend"
import keras
from keras.layers import Dense
from matplotlib import pyplot as plt

# Params
num_samples=100000; vect_len=20; max_int=10; min_int=1;

# Generate dataset
X=np.random.randint(min_int, max_int, (num_samples, vect_len))
Y=np.sum(X, axis=1)

# Get 80% of data for training
split_idx=int(0.8 * len(Y))
train_X=X[:split_idx, :]; test_X=X[split_idx:, :]
train_Y=Y[:split_idx]; test_Y=Y[split_idx:]

# Make model
model=keras.models.Sequential()
model.add(keras.layers.Dense(32, activation='relu', input_shape=(vect_len,)))
model.add(keras.layers.Dense(1))
model.compile('adam', 'mse')

history=model.fit(train_X, train_Y, validation_data=(test_X, test_Y), \
                    epochs=10, batch_size=100)

# summarize history
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

執(zhí)行結(jié)果如圖：

后記

您可以在不同的計算設(shè)備上嘗試此操作。您可能會發(fā)現(xiàn)在您的 CPU 上訓(xùn)練此模型更快，因為數(shù)據(jù)集非常小且模型非常簡單。但是，對于更復(fù)雜的模型，您會注意到顯著的加速。您可以在PlaidML GitHub 頁面上找到更深入的測試 。