![640.jpg](/static/img/8019f001bc54682a86dc1e018e6f5ffa.640.webp)


<section id="nice" data-tool="mdnice编辑器" data-website="https://www.mdnice.com"><center data-tool="mdnice编辑器">
<blockquote class="multiquote-1">
<center style="margin: 15px 0;">大家好，我是 Bob! 😊</center>
<center style="margin: 15px 0;">一个想和大家慢慢变富的 AI 程序员💸</center>
<center style="margin: 15px 0;">分享 AI 前沿技术、项目经验、面试技巧!</center>
<center style="margin: 15px 0;">欢迎关注我，一起探索，一起破圈！💪</center>
</blockquote>
</center>

<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">链接</span><span class="suffix"></span></h2>
<blockquote class="multiquote-1" data-tool="mdnice编辑器">
<p>https://arxiv.org/pdf/2203.02155</p>
</blockquote>
<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">提出动机</span><span class="suffix"></span></h2>
<p data-tool="mdnice编辑器">GPT-3虽牛，但仍会生成一些带偏见、不真实、有害的负面信息，有时候一本正经胡说八道。这从做研究的角度来看，确实没啥，因为你只要在某个数据集上碾压对手，那就是牛的。但对于工业实践来说，你带有这些问题的话，特别是对于大公司来说，肯定会被用户骂死，骂到产品下线为止。</p>
<p data-tool="mdnice编辑器">且GPT-1, GPT-2, GPT-3的主要任务还是续写即文字接龙，不太擅长与听你指令干活。比如，你输入“给我写一份方案”，GPT很可能输出的是“主题是关于如何入门深度学习”，而不是给你生成出一份方案。</p>
<p data-tool="mdnice编辑器">InstructGPT因此而提出，它提出了一个叫 “align” 即对齐的概念，指的是使模型输出与人类真是意图更为接近，即对齐，更符合人类偏好。</p>
<p data-tool="mdnice编辑器">原文链接：</p>
<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">试验结果前置</span><span class="suffix"></span></h2>
<figure data-tool="mdnice编辑器"><img src="https://files.mdnice.com/user/72399/c110662a-42c2-4b0e-9d20-cc1c5f973a43.png" alt=""></figure>
<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">高级方法论（细节）</span><span class="suffix"></span></h2>
<figure data-tool="mdnice编辑器"><img src="https://files.mdnice.com/user/72399/86cccddf-64c6-45e5-8621-5c44c36a5331.png" alt=""></figure>
<blockquote class="multiquote-1" data-tool="mdnice编辑器">
<p>1、SFT有监督微调。</p>
<p>2、训练奖励模型</p>
<p>3、强化学习PPO</p>
</blockquote>
<ul data-tool="mdnice编辑器">
<li><section><p>步骤一：收集示范数据，训练监督策略。我们的贴标机提供恶魔-输入提示分布上所需行为的示例（有关此分布的详细信息，请参阅第 3.2 节）。然后，我们使用监督学习根据这些数据微调预训练的 GPT-3 模型。
<code>这里InstructGPT的数据为人工标的高质量数据，方法和普通的sft微调没有什么区别，只是为后续提供一个基座模型</code></p>
</section></li><li><section><p>步骤2：收集比较数据，训练奖励模型。我们收集模型输出之间比较的数据集，其中标记器指示他们对于给定输入更喜欢哪个输出。然后，我们训练奖励模型来预测人类偏好的输出。
``</p>
</section></li><li><section><p>步骤 3：使用 PPO 针对奖励模型优化策略。我们使用 RM 的输出作为标量奖励。我们使用 PPO 算法微调监督策略以优化此奖励（Schulman 等人，2017）。
<code> </code></p>
</section></li></ul>
<p data-tool="mdnice编辑器">步骤2和步骤3可以不断迭代；收集更多当前最佳策略的比较数据，用于训练新的 RM，然后训练新的策略。实际上，我们的对比数据大部分来自我们的监管政策，也有一些来自我们的PPO政策。</p>
<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">引用</span><span class="suffix"></span></h2>
<p data-tool="mdnice编辑器">https://blog.csdn.net/weixin_43646592/article/details/130811139</p>
<h2 data-tool="mdnice编辑器"><span class="prefix"></span><span class="content">Bob 的产品</span><span class="suffix"></span></h2>
<p data-tool="mdnice编辑器">1.【Bob 的 AI 成长陪伴群】门票 99/年</p>
<p data-tool="mdnice编辑器">🔴AI 变现项目、AI 前沿技术、NLP 知识技术分享、前瞻思考、面试技巧、找工作等</p>
<p data-tool="mdnice编辑器">🔴 个人 IP 打造、自媒体副业、向上社交、以及我的日常生活所见所闻，所思所想。</p>
<p data-tool="mdnice编辑器">2.一对一的一小时咨询服务（49/次）</p>
<p data-tool="mdnice编辑器">找一群人一起走，慢慢变富。期待和同频 ‮ 朋的 ‬ 友一起蜕变！</p>
<figure data-tool="mdnice编辑器"><img src="https://files.mdnice.com/user/72399/e87a0e3f-d9d3-469a-8599-c2e2f7626075.jpg" alt=""></figure>
</section>

模型对齐

<image src="/static/img/d86c915613b0d56ea02a818bbd5c6dea.865a834d5176e23bb0cd3514cce80b76.webp" width="100%" height="200px">



# 模型调参

### 首先需要牢记一个点：模型选型和数据质量决定了任务的底线，而调参只是锦上添花（也可能雪上加霜）的工作

所以优先考虑模型与数据，再考虑微调，能不调就不调。

## 模型与数据

#### 任务

首先要明确任务是分类、回归、生成、排序

#### 模型架构

不同的模型架构在同意任务上的性能不一。选择合适的架构（gpt,bert,T5等等）。

#### 模型复杂度

选择一个与数据复杂度相匹配的模型大小。模型过于简单可能导致欠拟合，而过于复杂则可能过拟合。

#### 计算资源

考虑可用的GPU、内存和计算时间。复杂模型往往需要更多资源

#### 数据特性

考虑数据的维度、规模、结构（如图像、文本、时序数据等）和质量

## 训练参数调整（Train）

### Loss function

如果你使用transfomers，他会根据你的任务来做调整。一般是交叉损失。。具体使用MSE、Cross entropy、Focal还是其他自定义，需要具体问题具体分析。

### batch\_size

batch size不能太大，也不能太小，一般设置为4的倍数。

1.  太小会浪费计算资源，
    
2.  太大则会浪费内存;
    

特殊情况：**batch size 在表示学习，对比学习领域一般越大越好，显存不够batch\_size小，累计梯度来凑，否则模型可能不收敛… 其他领域看情况**;

### learning\_rate

一般nlp bert类模型在**2e-5**级别附近,范围一般在（1e-5~5e-3），warmup，衰减

前期warnup是为了防止梯度爆炸，让模型训练更加稳定。因为模型权重初始是随机的

中期期warmup后，高学习率是跳出局部最优。

后期学习率（如consin）退火是为了减少震荡，稳定地收敛，找到全局最优。

### Epoch number

Epoch过大，会浪费计算资源;epoch太小，则训练模型提取特征没到极致；，

由于任务的复杂程度不一样，需要输出loss看一下，在什么位置收敛稳定。

可以设置**epoch\_num=3**，调大一点，利用好check\_point。观察模型收敛稳定， 及时stopping；

###  Optimizer

Adam

### Activation function

ReLu、Sigmoid、Softmax、Tanh是最常用的4个激活函数。

对于输出层，常用sigmoid和softMax激活函数，中间层Q常用ReLu激活函数，RNN常用Tanh激活函数。

### Regularization

Dropout虽然思想很简单，但效果出奇的好，现在大部分任务都需要使用预训练型，要注意型内部dropout ratio是一个很重要的参数，首选0.05，

## 微调方案LORA

**r**: `rank`也就是LoRA的低秩的秩的大小)，较小的 r 导致更简单的低秩矩阵，从而导致在适应过程中学习的参数更少,模型的复杂度变低。。这可以加快训练速度，并可能降低计算需求，但是低秩矩阵捕获特定于任务的信息的能力就会降低。可能会导致模型难以收敛。

（**默认值是8），建议4/8/16.视任务复杂情况来确定。**

**alpha:**`alpha` 是一个比例因子，这个系数用于在前向传播过程中将 LoRA 权重应用于预训练之中，用于调整组合结果的大小（原始模型输出加上低秩适应）。**一般16**，alpha越大lorad的影响就越大，反之越小。

**将alpha值设置为r的两倍是一个常见的经验法则**

## 模型量化BitsAndBytes

如果资源有限，一般使用bitsandbytes进行量化**。一般选择4、8位， 考虑现有算力资源。**

推荐**FP8**，数据表示位数的降低带来了更大的吞吐和更高的计算性能，虽然精度有所降低，但是在 LLM 场景下，采用技术和工程手段，FP8 能够提供与更高精度类型相媲美的结果，同时带来显著的性能提升和能效改善。

### 5.2 过拟合（Overfitting）

*   过拟合（Overfitting）危害：过拟合的特征是训练误差很低，而验证或测试误差较高
    
*   过拟合（Overfitting）发生原因：过拟合则是模型在训练数据上表现过于优秀，以至于它学习到了训练数据中的噪声和偶然特性，而不是数据的真实分布。这导致模型在未见过的测试数据上的表现显著下降。
    
*   解决过拟合（Overfitting）的方法包括：
    

1.  **增加训练数据**：更多的数据可以帮助模型更好地泛化。
    
2.  **正则化**：通过在损失函数中加入正则项（如L1、L2正则化），限制模型参数的大小，避免参数过度优化训练数据中的细节。
    
3.  **早停法（Early Stopping）**：在验证集上的性能不再提升时停止训练。
    
4.  **交叉验证**：使用K折交叉验证等方法更准确地评估模型性能，避免过拟合。
    
5.  **Dropout**：随机“丢弃”一部分神经元，减少模型对特定训练样本的依赖。
    
6.  **数据增强**：通过变换原始数据生成额外的训练样本，增加模型的泛化能力。
    
7.  **简化模型**：减少模型复杂度，如减少神经网络的层数或节点数，避免不必要的复杂性。
    

## trick 7：Normalization 选择问题

GN，BN和LN都是在神经网络训练时的归一化方法，BN即Batch Normalization，LN即Layer Normalization。

*   BatchNorm：batch方向做归一化，计算N_H_W的均值
    
*   LayerNorm：channel方向做归一化，计算C_H_W的均值
    
*   InstanceNorm：一个channel内做归一化，计算H\*W的均值
    
*   GroupNorm：先将channel方向分group，然后每个group内做归一化，计算(C//G)_H_W的均值
    

GN与LN和IN有关，这两种标准化方法在训练循环（RNN / LSTM）或生成（GAN）模型方面特别成功。

*   如何选择：序列输入上LN，非序列上BN

模型调参

![image.png](/static/img/900c49addec7e48e00abc945db116eb2.image.webp)




> <center style="margin: 15px 0;">大家好，我是 Bob! 😊</center>
>
><center style="margin: 15px 0;">一个想和大家慢慢变富的 AI 程序员💸</center>
>
><center style="margin: 15px 0;">分享 AI 前沿技术、项目经验、面试技巧!</center>
><center style="margin: 15px 0;">欢迎关注我，一起探索，一起破圈！💪</center>
>
  
# LLama.cpp项目，在cpu上部署模型

llama.cpp原生支持大规模语言模型的量化，并且一如既往地保持了灵活性。

在高层次上，llama.cpp所支持的所有量化都是权重量化(weight quantization)：模型参数被量化为低位(bit)数，在推理过程中，它们会被反量化(dequantize)并用于计算。

*   纯粹的C/C++实现，没有外部依赖
    
*   支持广泛的硬件：
    
    *   x86\_64 CPU的AVX、AVX2和AVX512支持
        
    *   通过Metal和Accelerate支持Apple Silicon（CPU和GPU）
        
    *   NVIDIA GPU（通过CUDA）、AMD GPU（通过hipBLAS）、Intel GPU（通过SYCL）、昇腾NPU（通过CANN）和摩尔线程GPU（通过MUSA）
        
    *   GPU的Vulkan后端
        
*   多种量化方案以加快推理速度并减少内存占用
    
*   CPU+GPU混合推理，以加速超过总VRAM容量的模型
    

它就像 Python 框架 `torch`+`transformers` 或 `torch`+`vllm` 的组合，但用的是 C++。

GitHub link:

[https://github.com/ggerganov/llama.cpp](https://github.com/ggerganov/llama.cpp)

中文文档：

[https://qwen.readthedocs.io/zh-cn/latest/run\_locally/llama.cpp.html#conversation-mode](https://qwen.readthedocs.io/zh-cn/latest/run_locally/llama.cpp.html#conversation-mode)

## 简单部署

1.  获取 `llama-cli` 程序
    

```plaintext
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
```
```plaintext
make llama-cli
```

## 获取 GGUF模型

直接从model scope下载：

```python
import os
import subprocess



def download_model(model_name:str,model_file:str='',dir:str=''):
    path=dir+model_name.split('/')[-1]
    try:
        subprocess.run(['modelscope', 'download', '--model',model_name,model_file,'--local_dir',path], check=True)
        print(f"Model '{model_name}' downloaded successfully.")
    except subprocess.CalledProcessError as e:
        print(f"Error downloading model '{model_name}': {e}")

```
```python
download_model("Qwen/Qwen2-0.5B-Instruct-GGUF","qwen2-0_5b-instruct-fp16.gguf")
```

## 运行模型

```python
./llama-cli -m /home/phb/phb/models/Qwen2-0.5B-Instruct-GGUF/qwen2-0_5b-instruct-fp16.gguf     -co -cnv -p "You are a helpful assistant."     -fa -ngl 80 -n 512
```

**\-m 或 –model:**

显然，这是模型路径。

**\-co 或 –color:**

为输出着色以区分提示词、用户输入和生成的文本。提示文本为深黄色；用户文本为绿色；生成的文本为白色；错误文本为红色。

\-**cnv 或 –conversation:**

在对话模式下运行。程序将相应地应用聊天模板。

**\-p 或 –prompt:**

在对话模式下，它作为系统提示。

**\-fa 或 –flash-attn:**

如果程序编译时支持 GPU，则启用Flash Attention注意力实现。

**\-ngl 或 –n-gpu-layers:**

如果程序编译时支持 GPU，则将这么多层分配给 GPU 进行计算。

**\-n 或 –predict:**

要预测的token数量。

## 自定义模型运行

**HF格式转GGUF**

使用我已经lora微调+合并的模型文件转GGUF

[https://qwen.readthedocs.io/zh-cn/latest/quantization/llama.cpp.html](https://qwen.readthedocs.io/zh-cn/latest/quantization/llama.cpp.html)

```python
python convert_hf_to_gguf.py /home/phb/phb/merge_model/sft-Qwen2-0.5B-Instruct
--outfile /home/phb/phb/GGUF_model/Qwen2-0.5B-instruct-f16.gguf
```

这个命令默认会加载保存为16位

但是建议使用fp32。无论是直接加载还是用于作为量化的起点都很好。

```python
python convert_hf_to_gguf.py /home/phb/phb/merge_model/sft-Qwen2-0.5B-Instruct --outtype f32  
--outfile /home/phb/phb/GGUF_model/Qwen2-0.5B-instruct-f32.gguf
```

**量化GGUF**

```python
./llama-quantize  /home/phb/phb/GGUF_model/Qwen2-0.5B-instruct-f32.gguf  /home/phb/phb/GGUF_model/Qwen2-0.5B-instruct-q8_0.gguf  Q8_0
```

支持的参数：

![image.png](/static/img/aac670f5e092b5baf74a870701391798.image.webp)
**启动模型推理**

```python
./llama-cli -m /home/phb/phb/GGUF_model/Qwen2-0.5B-instruct-f16.gguf     -co -cnv -p "You are a helpful assistant."     -fa -ngl 80 -n 512
```

![image.png](/static/img/b653672b5011d1706343840e01df9601.image.webp)




#  

##  Bob 的产品

1.【Bob 的 AI 成长陪伴群】门票 🎫99💰/年。

2.【AI+老人回忆录制作】正在运营，有需求 或者 想加入 可微信私聊。

3.【语音咨询】：99💰/小时

群里分享讨论:

🔴AI 变现项目、AI 前沿技术、NLP 知识技术分享、前瞻思考、面试技巧、找工作等

🔴 个人 IP 打造、自媒体副业、向上社交、以及我的日常生活所见所闻，所思所想。

找一群人一起走，慢慢变富。期待和同频 ‮ 朋的 ‬ 友一起蜕变！

扫码加微信，链接不迷路！

![](https://raw.githubusercontent.com/woxiangsj/image/master/2024/08/07/1722998692927-eb4c0cb6-ce6c-405f-ae0c-044f212defda.jpg)

LLama.cpp在cpu上部署模型

![重构年轻人的精进指南读书篇之大公司好还是小公司好.jpg](/static/img/3e2da21925d4f01147029d93923708e8.%C3%A9%C2%87%C2%8D%C3%A6%C2%9E%C2%84%C3%A5%C2%B9%C2%B4%C3%A8%C2%BD%C2%BB%C3%A4%C2%BA%C2%BA%C3%A7%C2%9A%C2%84%C3%A7%C2%B2%C2%BE%C3%A8%C2%BF%C2%9B%C3%A6%C2%8C%C2%87%C3%A5%C2%8D%C2%97%C3%A8%C2%AF%C2%BB%C3%A4%C2%B9%C2%A6%C3%A7%C2%AF%C2%87%C3%A4%C2%B9%C2%8B%C3%A5%C2%A4%C2%A7%C3%A5%C2%85%C2%AC%C3%A5%C2%8F%C2%B8%C3%A5%C2%A5%C2%BD%C3%A8%C2%BF%C2%98%C3%A6%C2%98%C2%AF%C3%A5%C2%B0%C2%8F%C3%A5%C2%85%C2%AC%C3%A5%C2%8F%C2%B8%C3%A5%C2%A5%C2%BD.webp)



#  《重构---年轻人的精进指南》读书篇之“大公司好还是小公司好？”



> <center style="margin: 15px 0;">大家好，我是 Bob! 😊</center>
>
><center style="margin: 15px 0;">一个想和大家慢慢变富的 AI 程序员💸</center>
>
><center style="margin: 15px 0;">分享 AI 前沿技术、项目经验、面试技巧!</center>
><center style="margin: 15px 0;">欢迎关注我，一起探索，一起破圈！💪</center>
>
  

> 今天休闲时间翻阅了这本书《重构---年轻人的精进指南》，看到这样一个问题“ ` 大公司好还是小公司好？ ` ”。
>
>  
>
>
> 起初我也没多想，一口咬定肯定是大公司好啊，不然它也不会成为大公司了。
>
> 但是书中既然提到了，那肯定有更深度的点我没get到，稍作思考后，我也陷入了一丝纠结。

###  为什么职场很多人纠结这个问题？

> 很多人选择去大公司，因为大多数情况下，大公司的工作稳定，福利好，待遇高。
>
>  
>
>
>
> 也有部分人会觉得小公司更好，因为他们觉得大公司的分工很细，去了也是做自己能力范围里特别小的一部分。就相当于成为一个螺丝钉，而小公司，如果你能力强，可以很快被老板看重，可以接触到公司的所有业务，也就能看到公司行业状况。从而得到更全方位的锻炼。
>
>  
>
>
> 看似说得都有道理，但实际上，“去小公司可以得到更好锻炼”这里说法是错误的。
>
>  
>
>
> 为什么呢？继续看下去

###  什么是大/小公司，怎么评判好坏？

> 首先必须明白这一点， ` 什么是大/小公司，怎么评判好坏？ `
>
> `  
>  `
>
> 大还是小？，如果只考虑企业的人数多少，营收多大，很显然是片面的，更应该关注企业的软指标，比如行业自身的科技依赖度，商业模式的先进程度等等
>
>  
>
>
>
> 好还是坏？同一个行业的不同企业内部的人效是不一样的。获取同一利润的情况下，科技依赖性的公司比劳动密集型的公司所需的人力资源在是不一样的，也就导致了不同公司，同一工种的福利待遇不同。
>
>  
>
>
>
> 如果说不考虑自身的兴趣爱好，理想等等资源的话，“好”意味着薪酬和更优越的福利待遇，完成更大需求的业务，见识到更大规模的决策场景，那么大公司将是你的最好选择。

###  为什么说去小公司得到全面的锻炼错误呢？

> 同一个行业的不同企业的，同一个工种，含金量是完全不一样的。大公司一般都是行业的头部公司，所接触的 资源也是头部资源，合作伙伴都是顶级的企业。
>
>  
>
>
> 尽管你在大公司担任的是一个比较细化的岗位，但是岗位所参与的业务规模和商业决策都不是小公司比得上的
>
>  
>
>
> 在这样的一个环境和平台下，你也更容易会被行业的猎头青睐。举个很浅显的例子，一个清华大学生卖猪肉在 现实中的影响力远比一个普通大学生要多的多。
>
>  
>
>
> 一家成功的企业背后往往是成千上万的失败的创业公司。创业企业大多数情况下处于没什么事的阶段。
>
>  
>
>
> 而大公司各个领域成熟，IP影响力巨大。业务忙碌，业务规模庞大，合作项目不断更忙碌，你能得到更多的锻炼.

> 你可能会觉得说大公司是由小公司发展起来的，但这并不代表着小公司可以发展大公司。这是概率问题，何况他们绝大多是没有机会的。这是事实 。

###  结语

> 如果条件允许，赛道相符合。尽量去大公司发展。

##  Bob 的产品

1.【Bob 的 AI 成长陪伴群】门票 🎫99💰/年。

2.【AI+老人回忆录制作】正在运营，有需求 或者 想加入 可微信私聊。

3.【语音咨询】：99💰/小时

群里分享讨论:

🔴AI 变现项目、AI 前沿技术、NLP 知识技术分享、前瞻思考、面试技巧、找工作等

🔴 个人 IP 打造、自媒体副业、向上社交、以及我的日常生活所见所闻，所思所想。

找一群人一起走，慢慢变富。期待和同频 ‮ 朋的 ‬ 友一起蜕变！

扫码加微信，链接不迷路！

![](https://raw.githubusercontent.com/woxiangsj/image/master/2024/08/07/1722998692927-eb4c0cb6-ce6c-405f-ae0c-044f212defda.jpg)

《重构---年轻人的精进指南》读书篇之“大公司好还是小公司好？”

<image src="/static/img/2409cf5d8d4d49767283cc11abe30e90.%C3%A8%C2%AE%C2%A1%C3%A7%C2%AE%C2%97%C3%A6%C2%9C%C2%BA%C3%A6%C2%80%C2%8E%C3%A4%C2%B9%C2%88%C3%A5%C2%AD%C2%A6%C3%A5%C2%B7%C2%A5%C3%A4%C2%BD%C2%9C%C3%A4%C2%B8%C2%8D%C3%A5%C2%AF%C2%B9%C3%A5%C2%8F%C2%A3%C3%A4%C2%B8%C2%80%C3%A4%C2%B8%C2%AA%C3%A4%C2%BE%C2%8B%C3%A5%C2%AD%C2%90%C3%A6%C2%95%C2%99%C3%A4%C2%BC%C2%9A%C3%A4%C2%BD%C2%A0.webp" width="100%">



#  计算机怎么学？工作不对口? 我怎么看



> <center style="margin: 15px 0;">大家好，我是 Bob! 😊</center>
>
><center style="margin: 15px 0;">一个想和大家慢慢变富的 AI 程序员💸</center>
>
><center style="margin: 15px 0;">分享 AI 前沿技术、项目经验、面试技巧!</center>
><center style="margin: 15px 0;">欢迎关注我，一起探索，一起破圈！💪</center>
>
  

##  计算机专业怎么学

一个AP南加大学长的例子告诉你：

从AP课程到入职微软，他与计算机科学的故事

###  有关专业

>
> 大学的生活与我先前的想象大相径庭，其中最为显著的差异便是学习模式的转变。在广州外国语学校AP国际课程阶段，老师们总是悉心指导，确保我们掌握每一个知识点，当我们有不懂的地方，可以随时随地找老师答疑，老师们也会很耐心地指导我们。很感谢这段高中经历，让我学会了如何独立探索知识、查找资料、解决问题，以及如何有效地管理自己的学习时间和进度。
>
>  
>
>
>  
>
>
>
> 正是这些自学能力，让我们能够顺利过渡到大学的学习生活。进入大学后，尽管教授们不会像高中老师那样时刻关注我们的学习进度，但我们依然能够凭借在高中阶段培养的自学能力，主动地去寻找学习资源，独立解决学术和生活中的难题。这种自我驱动的学习模式，无疑是我们迈向学术成功的重要基石。

###  有关实习

> 我的实习经历都是围绕着计算机科学展开的。
>
>  
>
>
> 通常，企业在初步筛选候选人时，会采用线上代码测试来评估候选者的技术能力，同时也会依据个人简历进行初步筛选。
>
>  
>
>
>
> 在面试阶段，面试官不仅会基于简历内容进行提问，还会涉及过往的项目经验。对于这部分，我们可以提前准备，类似于高中时备考托福写作编故事的策略。此外，部分企业还会要求现场编程测试，因此，我们可以利用Leetcode等在线题库进行练习，但也不要盲目刷题，可以参考如Blind75之类的题单以提高自己的编程能力。
>
>  
>
>
>  
>
>
>
> 然而，在美国，获取面试机会往往比通过面试更具挑战性。为了增加获得面试邀请的机会，我们需要平日里不断积累知识，积极参与课堂，甚至在高中阶段就可以参加信息学竞赛。对于对计算机科学感兴趣的同学，我建议尽早深入学习数据结构和算法，并在课堂上给教授留下良好印象，因为他们可能会成为你后续学术生涯的导师。同时，可以关注学校是否提供本科研究计划，尽管大多数实验室可能不接受大一新生，但总有一些例外。
>
>  
>
>
>  
>
>
> **我建议同学们在大二时就开始寻找实习机会，特别是那些针对大二学生设立的项目** ，如Google STEP, Meta
> University和Microsoft
> Explore等。尽管竞争激烈，但不妨多尝试。我在大一时期就积极投递了600多个实习岗位，最终获得了Apple, VMWare, Dolby
> Labs和Walmart Labs的面试邀请。虽然竞争激烈，但最终我选择了Walmart
> Labs。如果未能及时找到实习，也不必气馁，可以利用暑期时间参与实验室研究或参与开源项目，如Google Summer of Code。
>
>  
>
>
>  
>
>
> **进入大三后，实习变得尤为关键。我建议在大三上学期可以适度减少课程负担，专注于寻找实习机会。**
> 因为此时获得的实习经验很可能会转化为毕业后的正式工作机会，相比于应届毕业生，这种机会更为直接和容易。我就是在大三时拿了微软亚马逊和一些其他小公司的实习offer，最后选择微软，并成功转正全职。

###  结论

**摈弃高中埋头苦学的思维，在学校多多参与团队项目开发。不局限于学校的知识，多与外界沟通，尽早拿到校外的实习工作**

**（不要觉得自己能力不够，很多东西是做了才会，而不是会了才做。最好大一就开始投递，大二争取拿到。**

    
    
##  大学专业和工作不对口怎么办

很多人会觉得大学选的专业，未来自己一定会参与对口工作中。

错，大错， **实际上的数据统计超过50%的大学生不会从事对口专业的工作**

**为什么？怎么办？**

> 大学专业和工作不对口是必然，只要你想赚到钱，就肯定不可能对口。

打个比方，雷军，他现在做汽车了，他大学学智能制造和新能源了么？

**甚至很多职位表面看好像和专业对口，但实际上也完全用不到你的大学知识了。**

**所有的一切必须推倒重来，快速学习，用毕业后的新技术来处理工作。**

比如计算机领域的CTO岗位，表面看这是公司里做技术最厉害的人才能胜任的，但显示里完全相反，

如果一家公司的CTO需要亲自写大段大段的代码，这家公司肯定规模特别小，小到就几个人。

大型公司的CTO，压根没时间写代码。

那他干什么？

**管理团队，沟通，给上头拍马屁，和同级斗智斗勇，帮自己手下争取资源。**

假设你是程序员，你是希望一个天天陪你996写代码的老实人当CTO

还是希望有一个能争取资源，帮大家多发两万块钱年终奖的人当CTO？

**管理，沟通，斗智斗勇这些技能和知识，**

**全世界有哪个大学，哪个专业会教么？**

没有吧。

所以你看，除了极少数特别专精的工作，比如医学，律师，研发等等，

**99%以上的工作岗位，和你大学里的专业知识，都没有半毛钱关系，你毕业几十年了也压根用不出来。**

所谓的工作是怎么回事，就是这么回事：

开会

接电话，打电话，

接邮件，发邮件，

群里发信息，收信息，

做PPT，做表格，

写报告，

讲报告，

给上司汇报，

挨骂。

大致就这些。

如果是上司，除了挨骂以外还要加一个，骂人。

你看吧，一个职位这么高的人，不都不需要会什么技术

**这也印证了我经常说的两句话：**

” **只有穷人才整天只痴迷于技术”**

以及

**“** **很多时候你只要会吹牛就行！”** ****

**  
**

那么你看，这些工作，需要什么专业技术特殊知识？

**它需要的就是表达，人际关系，沟通的技巧。**

**而这些恰恰是学校忽略不教的，必须要自学，自己重视的。**

\----致亲爱的学弟学妹
##  Bob 的产品

1.【Bob 的 AI 成长陪伴群】门票 🎫99💰/年。

2.【AI+老人回忆录制作】正在运营，有需求 或者 想加入 可微信私聊。

3.【语音咨询】：99💰/小时

群里分享讨论:

🔴AI 变现项目、AI 前沿技术、NLP 知识技术分享、前瞻思考、面试技巧、找工作等

🔴 个人 IP 打造、自媒体副业、向上社交、以及我的日常生活所见所闻，所思所想。

找一群人一起走，慢慢变富。期待和同频 ‮ 朋的 ‬ 友一起蜕变！

扫码加微信，链接不迷路！

![](https://raw.githubusercontent.com/woxiangsj/image/master/2024/08/07/1722998692927-eb4c0cb6-ce6c-405f-ae0c-044f212defda.jpg)

计算机怎么学？工作不对口? 我怎么看

这里分享实用的项目经验、独到的面试技巧，以及对AI技术趋势的前瞻性思考，帮助你在AI领域找到自己的定位。一起探索，一起成长，一起破圈。