拿到T厂正式Offer后的第一天,林晨就开始了紧锣密鼓的准备。
体检、办银行卡、拍证件照、上传材料、填写入职信息……行政事务一件接一件,但他没有让这些琐事占据全部时间。相反,他把每件事都安排得紧凑高效——上午跑医院体检,下午回来就打开电脑学习;中午等体检报告的空档,他坐在医院走廊里翻看T厂技术博客;拍完证件照等出片的间隙,他在照相馆旁边的咖啡厅里读了两篇论文。
他清楚地知道,拿到Offer只是拿到了入场券,真正要在T厂这样的顶级技术公司立足,尤其是以35岁的“高龄”作为高级算法工程师加入,必须展现出远超预期的价值。
“不能有任何侥幸心理。”林晨对自己说。
体检结束后的那天下午,他就开始了系统的知识储备。第一件事,就是深入研究T厂公开的技术栈和工程实践。
T厂作为国内互联网巨头,其技术体系庞大而复杂,但好在有相当一部分最佳实践和工具链已经通过开源项目、技术博客和内部人员对外分享的论文公之于众。林晨的目标很明确:在入职前,尽可能熟悉这些工具和范式,缩短入职后的适应期。
他首先从GitHub上找到了T厂开源的几个核心项目。一个是他们自研的深度学习训练框架“昆仑”,另一个是高性能模型推理引擎“星矢”。这两个项目在业内颇有声誉,但林晨之前更多是从用户角度了解,现在需要从开发者角度深入。
“昆仑框架的分布式训练设计思路很独特,”林晨一边阅读源码注释,一边在笔记本上记录,“它没有完全依赖PyTorch或TensorFlow的原有分布式接口,而是在底层通信和任务调度上做了大量优化,特别是针对他们自研的AI芯片……”
代码量很大,但林晨强迫自己静下心来,从核心架构文档看起,然后追踪关键类的实现。他打开PyCharm,将项目克隆到本地,尝试编译运行其中的示例。过程中遇到了几个环境配置问题,他一一搜索解决,这个过程让他对T厂的开发环境要求有了初步感知。
材料上传完等待审核的那两天,林晨更是把全部精力投入到了技术储备中。他甚至连午休都取消了,吃完饭就坐到电脑前,一看就是几个小时。苏婉有时候进来送水果,看到他专注的样子,也不忍心打扰,只是悄悄把果盘放下就退出去。
除了框架本身,林晨还重点关注了T厂在模型压缩、量化、蒸馏等方面的实践。他在arXiv
(本章节未完结,点击下一页翻页继续阅读)