No 1. “不要把精力花在忧虑上！花精力去相信，去创造，去学习，去思考，去成长”
    No 2. 相当传神！ [酷]
    No 3. Lex Fridman：现实生活里要是也能有个像计算机科学里的计算复杂度指标就好了，比如： - 发推 O(1) ……
    No 4. #抽奖##赠书# 携手 @人邮异步社区 再送出5本《零基础学机器学习 》
    No 5. ”接下来维护你代码的人，恐怕远没你这么厉害——要是能少用点高级技巧，就太体贴了。” – Joel Goldberg
    No 6. 新书：《搞定(几乎)所有机器学习问题》
    No 7. #抽奖##赠书# 携手@博文视点Broadview 再送出 5 本《labuladong的算法小抄》
    No 8. Deepwork.fm：很不错的工作背景音乐站，适合编程/看书/备课/学习
    No 9. Label Studio：支持图片、音频、文本、时序及多模态的开源数据标注工具，v.0.9.0最新发布
    No 10. 2021进度：▓░░░░░░░░░░░░░░ 7%
    No 11. 看来不是我一个人…… [笑cry]
    No 12. #抽奖##赠书# 携手 @人邮异步社区 送出5本《机器学习的数学 》
    No 13. 论文引用的Sci-Hub效应：“Sci-Hub下载文章被引用的次数，是未从Sci-Hub下载文章的1.72倍，Sci-Hub下载次数是未来被引用次数的可靠预测因子。” ……
    No 14. “有些问题，只要你足够有耐心，它自己就会解决。” - Jaana Dogan
    No 15. 斯坦福“机器学习系统(MLSys)”系列讲座
    No 16. “直到你明白什么时候不该用某个工具，你才完全掌握了它。” - Kelsey Hightower
    No 17. 今天终于下决心升了macOS Big Sur，光是腾硬盘空间就折腾了半小时 [允悲] 好在常用软件都没受啥影响，谢天谢地～ ……
    No 18. 晚安～ [月亮] 爱可可-爱生活的微博…
    No 19. 基于Pytorch实现(复现)的场景文字识别工具箱
    No 20. 论如何在研究中寻找乐趣 [笑而不语]
    No 21. sequitur：序列数据自编码器库，处理范围从数字序列(如时间序列)到图像序列(如视频)
    No 22. 几篇论文实现代码
    No 23. 用TensorFlow Serving快速部署Transformers
    No 24. 《The EfficientDet Architecture in PyTorch》
    No 25. ‘PersonGraphDataSet - nearly 10 thousand person2person relationship ……
    No 26. micronet：深度网络模型压缩与部署库
    No 27. Kaggle Lyft无人驾驶运动预测比赛第三名方案
    No 28. 早！[太阳]
    No 29. sciplot：基于gnuplot的C++科学绘图库
    No 30. [CV]《Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes》
    No 31. Keras实例：双编码器自然语言图像搜索
    No 32. EasyNMT - 易于使用的最先进神经网络机器翻译，支持100+种语言
    No 33. [LG]《Predicting Patient Outcomes with Graph Representation Learning》
    No 34. NNtrainer：嵌入式设备上训练神经网络模型的软件框架
    No 35. SIMPLE：多玩家环境下的自弈强化学习
    No 36. 今日推介(第203期)：神经几何细节级别：隐式3D形状实时渲染、英语机器阅读理解数据集综述、用生成式对抗网络学习生成GUI设计、针对移动抓拍的深度多帧超分辨率、面向图像描述的全Transformer网络、古文的现代文摘要生成、面向视-听表示学习的大规模数据集自动策管、视觉-语言导航指令评价、图表示学习 ……
    No 37. 3D人体相关文献资源大列表
    No 38. MaskedFace-Net：基于FFHQ数据集的正确/错误佩戴口罩人脸图像数据集
    No 39. colorpedia：用于快速查找颜色、色调和调色板的命令行工具
    No 40. [CV]《Deep Burst Super-Resolution》
    No 41. [Cl]《Summarising Historical Text in Modern Languages》
    No 42. 如何快速理解机器学习论文——回答5个问题：函数近似器的输入是什么？输出是什么？用的什么损失以及做了哪些假设？能否泛化到未见样本？结论是否可证伪？
    No 43. 免费书《决策算法》
    No 44. 用Ohyay开展线上教学的经验分享
    No 45. [CV]《CPTR: Full Transformer Network for Image Captioning》
    No 46. Caitlin Hudon：我十年数据工作的总结是，数据比模型更重要。向来如此。
    No 47. [CL]《English Machine Reading Comprehension Datasets: A Survey》
    No 48. Signed：基于有符号距离函数(SDF)的编辑器/渲染器
    No 49. 哈佛大学《TinyML基础》课程
    No 50. ‘PyOpenCL: Pythonic Access to OpenCL, with Arrays and Algorithms’ ……