如何评价微软研究院的

[硕士研究生的自我评价]分享一篇硕士研究生的学习自我评价：在专业课程的学习上，根据自身研究方向的要求，有针对性的钻研了有关核心课程，为自己的科研工作打下扎实基础；并涉猎了一部分其他课程，开阔视野，...+阅读

如何评价微软研究院的 Madoko

首先是源码可读性。Madoko 在设计上已经是最大化源码可读性了，按照作者的话说你自己公式多狂飞 LaTeX 谁也保不了你的（其实还是有的，例如可以用 replace 把 ->换成各种 rightarrow）。你好好写文章的话完全就是很正常的 md，像 Pretty Table 和 Definition (dt dd) 之类的拓展也只能相比朴素实现加强可读性。

其次是可拓展性（例如自定义 margin block）,Madoko 最强调的 custom block 就是干这个的好吗。特别是各种 CSS 属性甚至都有 TeX 等效渲染实现。

关于间断字符的分辨，workItem #120 提一下再说啦。光顾着说不报 bug 很无聊的。说不堪重负的，不用 md 的话重量级纯文本也许你只有打字累死的 ReStructuredText 了…

啊还有说 MS 自己都不认同的，去看看 F* 文档好吗… MSR 和 MS 的差别啊…

如何评价微软亚洲研究院开源分布式机器学习工具包

无论是学术界的研究人员还是工业界的开发者，DMTK 可以帮助他们在超大规模数据上灵活稳定地训练大规模机器学习模型。当前版本的工具包包含以下几个部分： 1.DMTK 分布式机器学习框架：它由参数服务器和客户端软件开发包（SDK）两部分构成。参数服务器在原有基础上从性能和功能上都得到了进一步提升——支持存储混合数据结构模型、接受并聚合工作节点服务器的数据模型更新、控制模型同步逻辑等。客户端软件开发包（SDK）支持维护节点模型缓存（与全局模型服务器同步）、节点模型训练和模型通讯的流水线控制、以及片状调度大模型训练等。 2.LightLDA: LightLDA 是一种全新的用于训练主题模型，计算复杂度与主题数目无关的高效算法。在其分布式实现中，我们做了大量的系统优化使得 LightLDA 能够在一个普通计算机集群上处理超大规模的数据和模型。

例如，在一个由 8 台计算机组成的集群上，我们可以在具有 2 千亿训练样本（token）的数据集上训练具有 1 百万词汇表和 1 百万个话题（topic）的 LDA 模型（约 1 万亿个参数），这种规模的实验以往要在数千台计算机的集群上才能运行。 3.分布式词向量：词向量技术近来被普遍地应用于计算词汇的语义表示，它可以用作很多自然语言处理任务的词特征。我们为两种计算词向量的算法提供了高效的分步式实现：一种是标准的 word2vec 算法，另一种是可以对多义词计算多个词向量的新算法。...