这几年国庆都这样

工信部有政策了

如果没有很强的抗压能力，建议还是尽早离开算法这个方向，尤其是互联网业务的相关算法工作
无论是 nlp cv 这种内容理解方向还是 推荐、广告方向，AI 落地都要面对 很复杂的数据流以及在复杂系统下很难把握的业务指标，而这些业务指标是实打实 直接关系到 收入 dau 用户留存的，在算法效果不好的时候，压力自然会很大
数据流的复杂，深度学习本身的黑盒属性，不确定性很多，楼主如果打算坚持做，建议 首先厘清边界，作为算法要做 特征 样本 模型调参 数据分析等几个算法工程师核心的东西，很多工程上的东西，比如线上 serving，尽量找专门的人做，如果没有专门的人，那就尽量去学习周围做好的 迭代的快的框架；和产品、业务方，最好有统一的出口，避免和对方每天都扯皮浪费很多时间；对待最终效果，保持平常心，算法迭代能有一半有正向收益就很不错了。

很少，就算有也是偏边缘业务
搜索、推荐、广告团队，成都招人太难了

大厂的话，去更核心业务

新开一个服务，启动不注册服务，可以做线上 trace，定位是不是单机的问题
除了服务本身的问题，线上 预发 测试的容器规格需要考虑
不同环境下的实例数目需要考虑
同时启动的服务实例数目需要考虑
启动时候依赖的中间件 db 的负载情况 需要了解

64 位 一般都很难碰撞
机器学习 深度学习里面用的最多是 mumurhash3
存过线性模型，32 位，三千万的模型碰撞位七八万
64 位，75 亿的模型，碰撞为 0

企业 wiki：confluence

性能调优 先跑个 profiler 找下瓶颈在哪
并发的 cpu 密集计算 建议 几方面优化 ，首先是合理的 计算分片，减少线程 进程切换的 cpu 消耗，然后是并行计算要考虑中间结果的缓存，看逻辑上是否有大量的重复计算，最后，就是优化算子，比如 整形 浮点型的位数，字符串转 hash，减少字符串操作，用取 hash 及 hash 后的整数的位运算取代
如果是 java golang python 这些语言，还要考虑在计算密集型的应用中，gc 的巨大压力，以及语言本生的限制，如果最后真的是调优无法达到要求，就建议 c++重写，性能会有质的提升，还可以从编译器以及硬件架构层面进行优化

有深度学习基础吗？

肝功正常就没问题

推荐引擎 深度学习 和高性能计算
天花板挺高的

当年考研本校纯粹就是为了在学校再混三年，幸好没考上
如果你是主动选择考研，知道自己考研是为了什么，明确了 ROI，我建议你考

@hanhan13 方向有点错了，这其实并不是个在线的服务
一次查询千万对数据，这其实是个批处理的接口
输入和输出都不可能直接用 rpc 通信传输

@yuk1no 本地 map 速度比写入 nosql 快很多
四十核机器，开 400 个线程从 hdfs 拉去 70 亿行的数据的，处理字符串，存成 long double 的 key value
不超过十分钟，如果是分区增量，就更快了
spark 分布式 开 100 个 executor 写到 redis，与单机的本地 map 写入相比，速度距离差距也很大，要是 hbase，就更慢了
读的速度，本地 map 也快的多

有条件的话，建议找几台大机器自己折腾，做 benchamark

可以考虑用本地 map
把用户 id-订单 id 的拼接字符串取 murmurhash，可以用 48 位或者 64 位的
我在项目中曾用 64 位整型存过 50 亿-100 亿个 string key 的 map，把 string 用 murmurhash 转为 64 位整型后，测过几次，碰撞个数为 0，内存占用在 一百多 G 左右，map 是 key 为 64 位整型，value 位 double，你这个问题，占用的内存更小
高端点，可以考虑设计个 bitmap 之类，这样查找速度会更快，这种还需要懂算法的更精细的设计
存到 nosql 里面会慢很多,你找几个 128 核 500G 内存的机器，存个本地 map，肯定比用 nosql 的数据结构性能高几百倍可能还不止，成本也更低

技术栈和技术能力是有区别的

主要还是因为钱
特别是针对男性
大城市比如上图说到深圳的老师待遇已经很不错了，
但是相对于房价还是吃力
所以还是女性明显多于男性

要不是缺钱，谁不想拥有个寒暑假