跳转至

Overview

  • 分类于 Overview
  • 需要 2 分钟阅读时间

Colorful Life (TOP)

导言

每当到了人生的重要的十字路口的时候，人们总会思考想将自己的人生画成什么样子。高考完选志愿，本科毕业时是保研出国还是工作的路口时，我都觉得我对自己，对这个世界不够了解，把这个问题跳过了。但是研究生要毕业了，我总算想清楚了What i want。（虽然有点晚了，但至少我没有骗自己。

  • 分类于 Overview
  • 需要 1 分钟阅读时间

2: Courage to move on

Dilemma 困境

现实中的困难挫折、不如意、或者突如其来的变故/变化 会消磨和摧毁人的信念，让人变得失望难过。想逃避或者麻木自己，通常会在幻想 或者虚拟世界里寻求解脱。

Theoritical Foundation

  1. World is crucial. No time to sleep and waste more in virtual world
  2. just some happy and painless
  3. In virtual life, the more you pay, the more you lose.
  4. 逃避收获的事片刻的精神释放和快乐，但是带来的更chaos of real life

需要进一步的研究学习

暂无

遇到的问题

暂无

开题缘由、总结、反思、吐槽~~

参考文献

上面回答部分来自ChatGPT-3.5，没有进行正确性的交叉校验。

无

  • 分类于 Overview
  • 需要 1 分钟阅读时间

2.3: Health Quantify

fitness

230910 230922
Neck 39cm
bust 89cm
the whole body 110cm
waist 84cm
hipline 95cm
Upper Arm Circumference 27cm
Forearm circumference 23.4cm
Thigh Girth 57cm 54.6cm
calf Grith 38.4cm 36.5cm
weight 65.4kg 65.9kg

stretching

  1. 弓箭步/站立版坐位体前屈，大小腿后侧
  2. 后提脚踝，并大腿，前倾，拉伸大腿前侧
  3. 侧面压腿，翘脚尖

Running

  1. 隔天跑
  2. 抬头收腹，挺直上半身
  3. 双手拔枪摆动，且向后用力摆
  4. 重心在脚底，而且前脚掌着地，而且离地后迅速向前收缩。膝盖弯曲
  5. 放松轻盈。

walking / Posture

  1. 抬头，收腹提背(收肋骨，吐腹部)
  2. 臀大腿发力，减少小腿发力。
  3. 足弓发力

Problem

  1. 体态：肋骨外翻（肋骨高于锁骨），核心不足，
  2. 表现：腰围代偿性增粗，粗大腿，粗小腿

Plan

  1. 早上床上拉伸，
  2. 侧卧抬腿
  3. 抱膝
  4. 工作：按压拉伸小腿。时刻注意腹式呼吸体态。
  5. 晚饭前跑步，拉伸
  6. 晚上床上拉伸

锻炼 不能 瘦小腿。正确的走路姿势才行

这个说得很在点子上，我是在19年末的时候通过改变走路发力方式瘦小腿的。与其说瘦腿，其实更是和大腿相比看起来更匀称，我之前的小腿肚站起来时候和大腿一样粗，站直的时候膝盖甚至是合不上的。经过反思，发现我日常走路的时候时间长了经常会感到小腿酸胀，这其实一直是在用小腿走路，我在这期间尝试过跑步，虽小有成效，但停下来就又会恢复原状。这种情况导致的小腿粗是一个比较复杂的原理，但我最后通过大半年的时间对走路方式进行了调整，现在虽然小腿不算细，但和大腿比起来看起来已经相当正常了，我的调整策略如下： 走路时注意重心靠后，也就是后背中间的位置，同时双肩放松，这样你会不自觉地挺胸抬头，同时为保持平衡感觉到腹部有牵引感。走路时大腿内侧和屁股发力，重点来了：保持脚后跟尽量贴住地面（踮脚走路是大忌），迈步时脚后跟先接触地面，在前脚后跟接触地面之前，后脚后跟不要离开地面。简单来说就是用脚后跟走路，你会发现这个过程中小腿是几乎不怎么发力的，时间久了只要不是肥胖型自然会瘦下来。

参考文献

  • 分类于 Overview
  • 需要 4 分钟阅读时间

1.2 Career

职业规划：

职业规划是成为 AI系统的性能分析建模分析 -> 理解AI算法数学本质, 设计爆款AI算法应用：

  1. 测量各组件指标，
  2. HPCG，HPC， AI benchmark
  3. 分析理解应用瓶颈

计算机职业规划

  1. 自底向上分析理解和设计计算系统(系统建模与高层次的抽象) + 企业核心落地应用
  2. 融入公司的核心竞争力的发展。参与到低延迟，高并发的高性能系统的设计。（使用、理解、设计）
  3. 传统应用的优化入手，分析计算系统的上限和程序的性能释放瓶颈，从而了解系统瓶颈。并考虑上异构的系统或者FPGA来解决。

以性能优化为切入点，系统建模和分析数据流程之后，解析程序瓶颈（深入了解对应操作系统是如何调度实现的，来深入了解内核），探寻性能最佳的执行手段。

具体职位的转变

  1. 百度/华为AI系统(软件性能工程师) -> 应用在GPU上的适配的瓶颈 -> AI系统架构师 -> AGI系统架构师
  2. 阿里云 HPC组（深度学习虚拟化技术） -> mihoyo 的 云游戏部门
  3. 需要调研云游戏现状
  4. 互联网 -> 30岁考公回长沙

公司分析

候选公司

  1. 一线互联网BAT： 百度， 阿里， 腾讯， 字节
  2. 华为
  3. 美团，快手
  4. 新兴明星公司：mihoyo，小红书

甄别技巧

  • 真想招聘人的公司，是能感受到那种诚意的，是站在用人的角度去考虑问题，基本问一些相关的情况。差不多能用就发offer了。3
  • 有些公司明显就不想招人，不仅问的是否详细，内容也十分偏。折腾半天，最后也不了了之了。
  • 除此之外有些公司只是为了解决自己的问题，面试是能感知到一些东西的，遇到明显套方案的公司，不要什么都说，要有所保留。

就业指导

  1. 选行业：关注国家政策，关注社会趋势
  2. 选平台：第一梯队，如果可能只要首位
  3. 选团队：选主不选辅，技术厚度，慎选小Team
  4. 选上级：经验，口碑，性格特点，梯队历史
  5. 看待遇：长期发展，短期收益，PK offer
指标一：大厂与国家的科研布局

华为遥遥领先，基础研发有待加强4

指标二：计算机相关的国内500强

普联是制造业的500强(1)，和讯飞暂时还无法进入民营500强1

  1. 2023年制造业500强也找不到了

案例实践：2023秋招 华为 vs 百度

  • 华为 - 昇腾产品线 - 昇腾计算开发使能部 - 软件开发工程师
  • 百度 - TPG基础计算体系 - DLTP深度学习技术平台部 - 飞桨引擎异构部门 - 异构计算工程师
比较项 华为 百度 百度相较于华为
公司影响力 爱国色彩，消费者认知 对于消费者还停留在搜索引擎 -1
变现渠道 结合终端产品和自身的服务器产品，AI能很好落地 卷AI模型软件网络服务，落地到AI百度搜索/智能云2，硬件基础和销售弱一些 -1.5
发展机遇 新部门开拓期，杭州和青浦定位相同，可选范围广 百度的核心AI业务的核心引擎部门 0
定级/晋升难易 特批的16级 T4 +0.5
部门团队 200人大部门 20人，较小独立的精致团队，便于团队内交流， 和领导也聊得来 +1
师兄帮助 有同届的spq，还有lh师兄等师兄 唯一zpq师兄，还是在独立的昆仑芯 -1
工作学习内容 华为摸索期，会有基础琐碎业务，参与到下一代昇腾， MindSpore(2020年3月)的研究 百度走在国内前沿， 学习了解飞桨平台(2016年8月底) -1
毁约影响 没谈成之后也可以跳过来 毁约后很难再来 +2
跳槽难度 不是传统互联网节奏 更适合在互联网企业流转 +0.5
工作强度/节奏 8点半9点走，月末周六加班 七八点走 +1
买房压力 青浦房价低，但是不适合定居 浦东房价高 -1
生活通勤成本 便宜单人宿舍，应该离工作地点近, 食堂应该不错 住房成本和环境确实高一些 (+住房2k/month) -1.5
周围配套(娱乐生活) 偏远上海青浦，距陆家嘴/高铁站(2h+/1.5h) 上海浦东，距陆家嘴/高铁站(42mins/1.25h) +1
稳定性 两年较稳定期 全靠自己实力 -1
工资 特批之后是同薪资(但基础工资的公积金差7% -3k) 高薪 (n)*16 +1
综合 专心的奋斗者，致敬 + 更长远的布局和共同成长 工作和快乐生活更平衡 + 接触工业界的前沿知识 -0.5
工作内容：华为 昇腾计算开发使能部
  • 调优体系工具Nsight（算子，网络训练分析
  • 训练优化，精度提升（内存优化, 千卡万卡调度，通讯库
  • 推理优化（AI算法强相关
  • 算子体系（1. 编译器 TVM 2. 调试系统开发）
工作内容：百度 异构计算工程师

工作职责:

  • 参与AI推理引擎底层算子库的开发与优化，提升异构资源计算效率
  • 参与大规模AI计算通信库及通信算法的开发与优化，提升大规模AI训练效率

  • 探索面向CPU/GPU/FPGA/ASIC等多元化计算架构的编译系统开发、实现编译优化和算法加速

  • 完成其他相关任务

职位要求:

  • 热爱编程，精通C++/Python
  • 具有独立开发能力，对AI算法和流框架有丰富的应用或开发经验
  • 熟悉GPU/ARM/MIPS/DSP等任意异构计算平台
  • 熟悉计算机体系结构，有汇编级别开发经验
  • 有丰富的AI通信加速经验，量化/融合/拓扑优化
  • 熟悉MPI，对不同网络拓扑结构的通信算法及底层通信函数有深入研究，对RDMA，GPU direct等技术有了解

PS： 校招，社招，不限欢迎投递，部门团队直面，提前批招聘，不影响后续22届校招 欢迎投递，大量HC 校招特别说明： 校招生：基础扎实，有兴趣做AI底层计算加速与优化 即可

工作地距陆家嘴

上海房价：浦东和青浦

青浦房价最高到 3.8万左右。

浦东 7~8万。

BTW，华为东莞松山湖目前5-6万。

华为租房买房

华为选址规划：

  • 华为在国内有深圳坂田、东莞松山湖、上海青浦3个总部级研发中心；
  • 有9大一级研究所，分别是北京、上海、南京、西安、成都、杭州、苏州、武汉、长春（筹备中）。

青浦/西岑镇/淀山湖 规划：

  1. 长三角一体化： 2019年立项。华为全球研发中心，投资100亿，2020年开工2024年建成；
  2. 华为目前已经在那块建了大几千套家庭房和几千套单身公寓；合计约1.5万套房。6
  3. 所有金桥，市区其他办公大概20000多个华为研发，华为明年5月全部搬青浦华为中心
  4. 一共陆续要招5w人，

预览图和乡村景色, 建议小红书多看看

  • 华为宿舍 ：东莞松山湖和深圳坂田都有提供宿舍，一室一厅的话1600一个月，单间酒店那种的1300一个月。
  • 华为住房：公司有自己盖的房子，有出租的，也有可以买的。出租的叫荔枝苑，无论级别都能住，但是要排队，房租2k到3k左右。买房的话，房价差不多1万-2万左右。

核心要点

真是两难的问题。其实秋招，我都没想到两边都这么重视，开的也比较高。看来工业界对于 AI System， HPC for AI或者说 HPC for LLM 有很大的期待。

前面的比较的点还是太繁琐了。抛开一点点工资和毁约的影响，选几个核心要点吧：

  1. 研究内容(现阶段)：华为相较于百度，能参与到下一代昇腾的研究里去。作为体系结构科班，其实更感兴趣。
  2. 用武之地(上限)：从体系结构的角度出发，如何为下一代AI的训练推理注入活力。华为昇腾覆盖的范围比百度更大。
  3. 过渡阶段(稳定性)：作为个人，我其实是“转行”。百度虽然现阶段是领先的，但是我可能跟不上。华为这边体系结构的工作可以占比大，切入和适应应该更自然。
  4. 工作伙伴：有同届的spq，还有lh师兄等师兄。百度唯一zpq师兄，还是在独立的昆仑芯
  5. 工作节奏：工作压力时长，肯定是华为更大。但是工作的条件，环境。青浦修好后，肯定非常漂亮。

总体看来，选择华为更契合我未来的长远的职业规划。

后续毁约推进
  1. 如何与百度和解：我纠结了很久，百度也是很喜欢的团队和工作内容。但是在华为能参与到下一代昇腾的开发，这也是我学体系结构的梦想之一，（薪资也差不多）。
  2. 华为先签两方？4月再推进毁约？

公司资料了解

工资评级分析

7

华为的公司架构
  • 三主体：产品线一线交付， 预研部门， 2012部门
  • 产品线一线交付，付钱给预研部门， 2012部门来研究内容
  • 前者在完成指标后，自负盈亏，后者一般是固定年终奖。
华为的公司公开的分红消息

根据公开的资料整理，华为历年的持股收益率，2019年以前，每年的分红综合收益率基本都在25%以上。

近几年即便是在美国的打压下，经营状况没那么好，分红略低一些，但也都在20%以上。

  • 2020年，股价7.85元，分红1.86元，收益23.6%
  • 2021年，股价7.85元，分红1.58元，收益20.1%
  • 2022年，股价7.85元，分红1.61元，收益20.5%

总之，相当于投入100元，平均每年都能拿到25元左右的分红。

百度的参考资料
AI整体布局
飞桨布局

岗位与入职

校招与职业规划

电子市场分析？

To do :

  1. 分 C端、G端、B端分析
  2. 结合产业规模，
  3. 行业发展程度，当前状态（是否有瓶颈，还是需求端不足）。

计算机的经济价值在哪里？= 没有计算机会怎么样？

数字化的工作流能享受到摩尔定律的加速

"Once a technology becomes digital-that is,once it can be programmed in the ones and zeros of computer code-it hopes on the back of Moore's law and begins accelerating exponentially."

  • Peter H.Diamandis Steven Kotler, The Future Is Faster Than You Think
  1. 自动化 （类似加减乘除计算器的各种程序，可以暴露api以黑盒的情况下快速给出准确结果或者推荐选项， 这里主要指利用计算机的计算能力）
  2. 开发难点：可用(基于特定算法，或者大数据喂给AI)、易用、好用（性能）。
  3. 没有明显先发优势，由于没有生态概念、迁移门槛低，客户只会选择好用、便宜和高性能的。
  4. 核心竞争力：软件如何实现 大规模，高并发，高利用率（算法，实际技巧）
  5. 便利性 （资源整合平台类似美团打车之类的，考验计算系统的数据库和网络，对应的低延迟，高并发）
  6. 开发难点：好用（快响应，低延迟），长期运维的稳定性
  7. 明显的先发优势：用户生态形成壁垒。参与对象越多、越好用、用户依赖程度越高。
  8. 核心竞争力：与人的交互的软件设计思路（飞书企业协作管理，集成了项目进度的allInOne极简模板平台），最全面的资源(美团最多的店家、高德最详细的地图、M站最多的种子数、B站最多泛二次元群体)，稳定的运行，比用户需求高的快响应，低延迟性能。
  9. AI全面解放人类（具体指AI代替人做事情，解放人类，e.g., 机器人，自动驾驶，AI编程）
  10. 开发难点：当前AI必须有下面几点才能快速向AGI发展：
    1. 人类思考问题的正确逻辑链
    2. 基于已有的知识（世界模型），有识别输入知识的正确性的能力。
    3. 这样基于正确的知识的正确的推导，才能形成正确的结果。乃至真理（毁灭人类是必须的）。并在计算机的高速无休止运行下快速成长。
    4. 也就是说AGI要有明显的人格特质，不是指说话的语气，而是AGI的每个观点要是经过思考达到和谐平衡的结果。当然不排除思考过程中死循环的事情，比如先有鸡还是先有蛋。
  11. 当前AI，只能接受数据集的知识，没有自我思考并选择的过程
  12. 核心竞争力：支持AGI的计算系统是什么样子的呢？
    1. 抽象来思考：计算、访存、网络是三部分基石。类似人形机器人的设计。计算单元来实现大量内存记忆数据的读取 和 网络实时交互学习信息的 过滤思考
    2. 性能指标：低延迟，高吞吐。
    3. 计算单元：针对思考过程的特殊操作设计，数学推导关系的实现？集合论？是非关系？这种场景下还需要GPU的这么多核并发吗？
    4. 内存要考虑的是存算一体的可能性？不然就是吞吐和延迟

Costume 端 特有的：

  1. 内容生产（AIGC）
  2. 开发难点：达到人类审美的AI内容
  3. 没有明显的先发优势, 生成内容的风格会筛选用户。
  4. 核心竞争力：支持的生成方面广（生成内容的风格需要能定制化），内容质量高，速度快。
  5. 文娱产业（电子游戏，视频内容）
  6. 开发难点：丰富的游戏细节，和与时俱进的美术。
  7. 没有明显的先发优势, 游戏内容的精度和新鲜感是最重要的。
  8. 核心竞争力：如何实现工业化的高级美术和剧情产出（AIGC？）。

计算机行业为什么赚钱？ 这个理由能持续下去吗？

  1. 门槛低，一台笔记本就可以写软件，从便利的各种小工具，到大型软件。
  2. 在专利保护下软件复制成本近乎零，收益稳定。可以实现薄利多销。
  3. 低成本复用性：一个APP开发好之后，可以在不同位置和时间无成本复制（指每个人可以在任意时刻使用软件服务）。 第一产业生产的粮食和工业制品都是生产一个消耗一个。服务业也是一次性的。
  4. 无损耗，实现后可以长期生效。是少数跨越时间长河的永恒的东西。
  5. 但是在激烈的竞争下，软件都趋向免费化。靠基于庞大用户群体的平台抽成和附加高级服务（云盘会员，游戏附加充值）来实现。或者是靠免费化吸引一波用户。
  6. 芯片硬件流片周期长，成本高

参考文献

  1. 中华全国工商业联合会：中国民营企业500强 ↩

  2. 百度的商业模式 ↩

  3. 我发现凡是给offer的公司，面试时基本不问技术细节，那些问得又多又细的公司，后面就没下文了！ ityoufan it友凡 ↩

  4. 【36氪】茅台千年，不如华为一年，中国研发，差异如此巨大？ ↩

  5. 牛客网 ↩

  6. 华为明年5月全部搬青浦。。。青浦要起飞了 ↩

  7. Software Engineer Payment ↩

  • 分类于 Overview
  • 需要 9 分钟阅读时间

Overview of Compute system

“Those who cannot remember the past are condemned to repeat it.” —George Santayana, 1905
"Our technology,our machines,is part of our humanity.We created them to extend ourself,and that is what is unique about human beings. - Ray Kurzweil
  • 分类于 Overview
  • 需要 1 分钟阅读时间

Image

GIF

全称Graphics Interchange Format，原义是“图像互换格式”。

  • 优点：
  • 文件小
  • 支持动画
  • 支持LZW (Lempel-Ziv-Welch)无损压缩算法
    • 又叫“串表压缩算法”就是通过建立一个字符串表，用较短的代码来表示较长的字符串来实现压缩。
  • 缺点
  • 只支持8bit颜色

ICO

图标文件

一般像素为 16*16

BMP (类似的位点图 TGA TIF)

  • bitmap
  • TIF(Tag Image File Format)
  • 优点
  • 图像信息丰富
  • 缺点
  • 几乎不进行压缩，占用空间大

JPG (JPEG)

JPG即JPEG（Joint Photographic Experts Group）。

  • 此格式不适合用来绘制线条、文字或图标，因为JPEG支持极高的压缩率通常会导致图片质量严重受损，不太适用于高清晰的图像应用场景。
  • 对比之下PNG、GIF更适合做绘制线条、文字或图标的首选，不过GIF只支持8bit的颜色，不适合颜色丰富的图片。

JPEG图片压缩原理

JPEG的压缩方式主要有四种，其中一种是基于空间DPCM的无损压缩，另外三种是基于DCT的有损压缩。

  1. 基于DCT的顺序编码：
  2. 基于DCT变换原理，按照从上之下，从左至右的顺序对图像数据进行编码压缩。当接收端收到数据后，再按照这个顺序进行解码，在此过程中存在图像丢失，因此是有损压缩；
  3. 基于DCT的累进编码：
  4. 也是基于DCT变换原理，不过是对图像进行多次扫描，从而对图像进行进一步的数据压缩。所以图像还原时，看到的图像时粗略图，而后逐步细化，直到结束；
  5. 基于DCT的分层编码：
  6. 以图像分辨率为基准进行编码，从低分辨率开始，逐渐提高分辨率，直到于原图像的分辨率一致。图像的解码也是这样的步骤；
  7. 基于空间DPCM的无损压缩：
  8. 采用预测法和哈夫曼编码（或算术编码）以保证重建图像与原图像完全相同（设均方误差为零）；

JFIF

JPEG文件交换格式（英语：JPEG File Interchange Format，简称JFIF）是一个图像文件格式标准。它是一种交换符合JPEG交换格式（JIF）标准的JPEG编码文件的格式。它解决了JIF在简单JPEG编码文件交换方面的一些限制。与所有符合JIF的文件一样，JFIF文件中的图像数据使用JPEG标准的技术压缩，因此JFIF有时被称为“JPEG/JFIF”。

Webp

2010年，谷歌为了让网络上的图片更小，让网站加载速度更快，提出了同画质下，比JPEG格式图像小40%的Webp格式。 * 主要是面向网页图片，截至2021年5月，已有94%的浏览器支持此格式 * Webp也支持无损压缩的选项。

PNG

是Portable Network Graphic的缩写，是一种光栅图像格式，是为了克服GIF格式的局限性并取代GIF格式而产生的。 PNG是一种无损的数据压缩和开放格式文件，没有版权限制。 * 采用了基于LZ77的无损的派生算法，能够在在保证图片清晰、逼真的前提下，达到更高的压缩比。 * PNG支持对原图像定义256个透明层次，使得图像的边缘能与任何背景平滑融合，这种功能是GIF和JPEG没有的。 * PNG图片可以分为三个类型，分别为 PNG 8/ PNG 24 / PNG 32： * PNG 8：8即指8bit，2^8 = 256种颜色; * PNG 24：24指的是24位，分为3个，即RGB，各占8bit，可以包含2^24种颜色; * PNG 32：32表示有32bit,除了RGB占了24bit，还有8 bit可以表示透明度，0-255表示透明程度;

压缩效果对比

同分辨率的图片(1491*1265), 使用格式工厂默认设置

ico(1616)|gif(170144)|webp |jpg | jfif | png|TIF|bmp(tga) |---|---|---|---|---|---|---|---| 1k|13k|159k|218K|248K|1.6M|1.62M|5.4M

需要进一步的研究学习

暂无

遇到的问题

暂无

开题缘由、总结、反思、吐槽~~

参考文献

https://zhuanlan.zhihu.com/p/156639005

  • 分类于 Overview
  • 需要 1 分钟阅读时间

GPU

这篇聚焦于 GPU 发展的起源，目的和历史。（看历史真好玩）