而且感觉所谓的技术牛逼的程序员 约等于 数学稍微好那么一点的程序员。。。

我觉得这应该换成 “抽象能力”和“学习能力”强一点的程序员。 数学本身对编程没有太多实质帮助，大部分常用数值算法都有现成的库可调用。倒是在学习数学中培养出的抽象思维，和受虐精神，会让人在写代码时受益良多。

1. 用好现有的技术栈
2. 拓宽现有的技术栈

能做到第一个的就已经是凤毛麟角。

现使用 P2715Q

色域，色彩，分辨率都无可挑剔， RMBP 外接非常好。

有两个需要点提醒一下， RMBP 无独显版本带 4K 会有点吃力，看视频能听到风扇转得很快。台式机接 4K 屏幕只能用 dp ，不少显卡 dp 口有漏电现象，会有明显电流声。

@MCVector 多谢。 我现在大多在 vs 里面调，改天去用一下 nsight 。

熟悉现代编译器理论并有相关经验、特别是熟悉 LLVM 、 Clang
.. 龙书虎书鲸书走起

熟悉图像处理、视频处理与压缩编码解码（ H.264/MPEG4/MPEG2 等）
这个还好一点，翻一遍文档。

有高性能计算、并行计算、 CUDA 和 /或 OpenCL 开发经验
这就是无底坑了， CUDA 在 LINUX 根本没法 DEBUG 。 CL 更是各种细节烦死你。

懂物理引擎 /OpenGL/编译器技术者优先
跟上面几个重复了？

想知道这岗位月薪有多少. 如果高我也想去应聘一发。

虚拟机没有 opencl ， osx 大部分页面动画都是用 opencl 加速。 so ，你懂得。

@ShiHou s/多进程没用 /多线程没用... 这两个词太像了 我下次还是说 process 和 thread 吧

@SlipStupig 233 你说得对. 我本来是想表达多进程的，结果糊涂达成多线程了。 Python 有 GIL 锁导致计算密集时多进程没用。

@SlipStupig 用 Numpy 把所有的词频做成矩阵，对矩阵一次性求 log 比循环过去 log 快很多。 矩阵快的原因有两个，一是底层用 c 写，循环比脚本语言快。二是矩阵的内置操作基本都做了优化，比如 N^2.73 复杂度的矩阵乘。

@SlipStupig 能带来优势的，把数据规模继续放大，或是将操作变复杂， N 线程就能带来 N 倍的提速。

不过这里用线程池主要是为了方便改写成分布式，之前处理 NLP 留下的个人习惯。

@cpygui 兴趣使然的举报者 ？ (ಡωಡ)hiahiahia

因为在笔记本上跑，我的测试数据是 1w 左右。上面的结果都是在 1w 数据下测试出来的。

主要的瓶颈就是 count 这一步把算法从线性复杂度变成平方复杂度了，导致数据集一大直接爆炸。 built in 的函数虽然方便，但不要在大数据上乱用，很容易造成性能瓶颈。

简单的数值计算建议使用向量计算，复杂的操作可以考虑多线程。想再快一点可以考虑用 conda 的 jit 。

初来乍到不会贴代码， 具体实现看我的 notebook 吧
https://github.com/Lyken17/TempJupyterNotebook/blob/master/Untitled.ipynb

首先， len(worldlist)在每次函数里面是要单独取地计算的，可以用变量代替避免每次反复读取。
时间： 1.75 s per loop -> 1.69 s per loop

第二，操作时间主要花在了 count 和 log 上，调用内置 count 会把所有数组遍历一遍统计，相当于共进行了 O(N^2)次操作，可以用一次循环统计完搞定。（这一步是主要的优化）
时间： 1.69 s per loop -> 3.67 ms per loop

第三， map 的操作是可以用多线程来优化的。 p=Pool(4), p.map 就可以实现并行了。但由于优化过后的结果已经很好，小规模数据集时看不出太大区别。
时间： 3.6 ms per loop -> 2.51 ms per loop

第四，你的 map 操作是简单的数值计算。所以可以考虑把计算向量化，利用 Numpy 来操作。 Numpy 是 c-wrapper + 多核优化，速度比原生 python 要快。
时间： 2.51 ms per loop -> 1.43 ms per loop

我不太懂这函数是在干嘛.. 暂且理解为统计每一个字母的出现频率然后取 log 吧

大概能提供几个优化的思路，先试一下怎么插代码。

<script src="https://gist.github.com/Lyken17/5bffba48807fea6efd77.js"></script>

我一开始还以为是早 9 点下午 1 点一周 7 天，没想到是凌晨 Orz

@svs3580
HR 每天一般都要审阅至少物色几十个候选人，看十几个人的简历，最后确定几个来面试。你留了邮箱， HR 就可以方便把你加到抄送列表里。你没留邮箱， HR 就要冒着浪费时间的可能来回帖 /私信。公开社区求职，介绍简略 + 不留作品页面 + 没有邮箱，对于 HR 来说是浪费时间浏览你界面，对于自己来说则是错失潜在的工作岗位。你要真觉得隐私如此重要，注册一个不常用邮箱（专门接收 HR 邮箱）放页面上也比不留邮箱礼貌的多。
我之前帮忙 BAT 其中一家的面试，对招聘稍有了解。 HR 去主动联系的基本都是业界老手，至少是某一方面的小牛，基本都高 HR 一等。不留邮箱，等着 HR 来联系，就给人一种“自认技术顶尖，高 HR 一等”的印象。（至少我这么认为）
世界不围绕任何一个人转，所以大家都应该基于方便彼此的原则行动。 :)
ps : 列技术栈并不是为了秀技术，是之前误解了你的意思， 加之赶实验之余在考虑未来往应用走就顺手回了。刚发现 V2EX 不能删帖也无法编辑，希望不会给你带来麻烦。
pss : 我入门 compiler 是用的龙书， sicp 的讲的应当大同小异，最近没时间看。比起 compiler 的细节，未来的新计算模型更加吸引我。

为什么 github 也成隐私了. 隐私的东西应该是放 bitbucket 的地方吧？
求职应该是双方平等，互相选择。 Po 主给人种高 HR 一等的感觉。

那我借楼也来一发求职好了， 17 应届本科生，求算法类或者后端岗位一枚。
前端相关：
熟悉爬虫，曾部署过 20 台+server 的分布式爬虫把豆瓣上的所有电影资料爬下来。
构建过简单的搜索引擎（基于上述爬虫数据），分词， TD-IDF 词频分析， PCA 滤噪声，隐式马尔科夫链，实现 pagerank 算法。
接触过 flask （读了部分源码），了解 django （用来做搜索引擎展示的前端，前端用到了 bootstrap + jquery ）

教科书算法：
能用 c 语言撸一个简单的 js 解释器。
verilog 实现 cpu 多时钟 + 流水线 + 分支预测，配合 java 读入 mips 汇编可以直接转化为二进制码在 xilinx 执行。
熟悉常见算法，参加过 ACM ，纸上红黑树没问题 :)
读过 Effective C++，跟队友合作时也没有被拍死 -。- 代码风格还行。

应用算法
熟悉基础图形学算法，实现过 ray-tracing ，做了八叉树和并行优化。
会 CUDA ，写过 CNN 的 kernel 。
熟悉 caffe ，现在用 8 个 TITAN 在准备 paper 数据。了解过 torch ，准备这个 project 结束之后往 torch 迁移。

科研：
SIGMOD contributor 一篇
ECCV 二作 一篇（ Review 中
BMVC 二作 （即将， 5 月初交上去