@ipwx 大佬，非常认同你的理念。 我自己工作是 DL 相关的，本人对金融投资又略有了解。 感觉即使是在程序员社区大家还是没有把交易这种行为作为一种“系统”来看待，而是寄希望于“判断” “感觉” “运气”；

不过说到投资领域，我最近一直想要研究的是 RL 在金融投资领域，特别是衍生品领域中的应用。 其实仔细一想，金融衍生品的框架和 RL 的框架天然很相似； Reward 都是在一个 episode(交割、行权或结算)后得到，而 agent 需要通过对市场整体进行观测来预估接下来每个 action 的价值。 自己感觉这个会是一个不错的方向

一般脏就无视，非常脏了就送家门口洗鞋店，也要支持一下社区经济的

如果是比较规整的表格也很容易识别，可以用连续边缘检测 (opencv canny edge ）看是否存在非常长的连续线条。 或者更简单的用 X 、Y 轴的像素投影来识别是否存在表格。

当然如果会算法，用算法来区分那是更简单了，只要有人标注就行了

1 、以前也用过 kubeflow 的方案。说实话维护起来还是蛮重的，学习成本也并不低；
2 、kubeflow+jupyterhub 那套用来做数据探索和模型 prototype 还是非常好用的。 正式的训练任务还是写成代码工程进行版本管理的，用 notebook 串联还是觉得不是很严谨；
3 、我们现在实验管理也都是完全放在 mlflow 上了，还是很方便的。训练以后关键的配置文件和模型一起作为 artifacts 放到对象存储上，保证拉取模型的时候与配套的配置一起使用；

4 、推理那块我们用的是 Triton Serving 的推理框架(不过一些 tensorflow 的模型还跑在 TF serving 下)