算法工程师要负责到上线意味着没有统一的基础设施、算法部署平台，顶多来个 Kubernetes 集群就丢给每个算法组了。是，容器时代、Kubernetes 时代，每个算法组自己搭 Database 成为了可能，但是这样的不专业分工就导致了不可能每个算法组都有完善的质量控制和测试机制。

字节不还发生过实习生删线上模型的傻逼事情么，还不能说明这套体制有问题吗。

这就是迷信大厂了。

要我说字节就是小厂到大厂，身份转变了，管理没跟上。对外宣传算法工程师要负责到上线，很自豪的样子，其实就是管理方式低下，还在小厂的模式没有转过弯。

我来歪个楼。

Go：大道至简，泛型是邪道。

有，那叫 rsync 。

你这情况，要是失业了基本就不得翻身了。还是不建议买房。

@ligiggy ummm 很遗憾我已经脱离教材很久了。。。（今年 phd 毕业了

@ligiggy 我上面举的这四个例子都不怎么需要推公式，工业数据上又比较万金油，投入产出比 DL 高。当然它们基本没法处理图片 /NLP ，CV/NLP 还是神经网络得天下。

@ligiggy 其实现在 DL 比较成熟的也就 CV/NLP 。

大量工业数据没那么规整的，各种不同量纲、不同单位、不同性质的 heterogeneous data ，一般用树算法更舒服。经典的比如 RandomForest ，新锐的比如 GBDT 。除了这些树算法，还有就是 Bagging / Boosting 算法的思想得了解一下。

分情况。

* 如果是用树算法处理工业数据，一般不需要推公式，调参就行。
* 如果用神经网络处理图片数据，一部分工作者不需要推公式，用 PyTorch 搞就行。
* 如果用神经网络处理自然语言，推公式的比重会增大。
* 如果处理的是无监督学习，或者顶会不怎么覆盖的新领域上做深度学习，那就得会大量原理性的东西，做各种 regularization （ loss / 结构），不会公式基本寸步难行。

我只看到了楼主满脑子的大男子主义，恶心。

我用下来 Seafile 比 Nextcloud 更稳定，包括服务端和客户端。

virtualenv
poetry

我不仅敢在 C 语言里面飞指针，我还敢在 C++ 里面飞指针（逃

无论什么语言，大量小字符串直接拼接都会有严重的性能问题。