1
引言
因为机缘巧合，本人进入算法领域时，主要的方向是算法与系统的交叉领域。往通俗了说，就是研究Deep Learning模型的性能优化，更多的是从系统的角度去优化算法的性能。偶尔，也会承担一些建模调参的工作。
现在的算法框架无论是TensorFlow还是PyTorch，或多或少都有性能问题。毕竟做一个通用的高性能的计算框架，这个目标实在太难达到了，总会遇到corner case。这就需要算法与系统交叉领域的工程师们去做优化和落地了。
目前这个领域不但没有内卷，还处于蓬勃发展期，对即将入行的同学也是一个弯道超车的机会。
既然是交叉领域，肯定是算法能力和系统技术栈都需要掌握。你也不要急功近利直接找算法框架性能优化的书，因为目前也不存在什么优质的《TensorFlow源码解析》或者《PyTorch技术内幕》之类的资料，市面上关于算法框架的书基本都是官方文档的直接翻译，和垃圾差不多，所以别浪费时间和金钱了，要打牢基础。
今天我推荐两本书，它们是我入门时认真读过的资料。只熟悉算法或系统其中一个技术栈的同学，请直接关注自己不熟悉的部分即可。
2
CUDA入门
算法同学请看过来，这本书可以让你了解一下GPU的并行架构，书名是《大规模并行处理器编程实战(第2版)》。如果你比较抵触一般CUDA的学习资料，那么我强烈推荐这本书，读起来一点都不难。
在Deep Learning这个领域中，CUDA是不可能不看的，所以请不要停留在“调库”这个阶段。
作为一个技术书，本书我读得很快，大约耗时两周多。虽然CUDA更新了好几个版本，本书还在讲CUDA 5的东西。但是直到目前为止，CUDA编程的基本范式没有太大的变化，只有增加了新的特性。
要压榨昂贵硬件的性能，就一定要对硬件的体系结构足够了解。阅读本书时，相比于熟悉编程的语法，更重要的是理解GPU硬件的体系结构。比如global memory，shared memory，sm，thread，block，grid，warp等。
另外，本书也不用全部阅读，学习前十章即可，足够让你了解编程模式和硬件架构。从第十一章(《高级RMI重构》)开始有案例研究，也有一些高级知识介绍，但对于Deep Learning的领域需求来看，并不十分重要。
本书还配有公开课，直接Google搜索“Heterogeneous Parallel Programming”即可。
3
Deep Learning入门
只熟悉系统的同学请看过来，你们工程能力学习CUDA肯定没有问题，但容易在算法上抓瞎。
Deep Learning入门时，下面这一本就够了，书名就是《深度学习》，网上有电子版。大部分做算法可能都收藏了本书。它的作者是Good Fellow，以及深度学习三巨头Yoshua Bengio。
同样这本书也不用全读，至少Section III的Research部分不用看。
虽然内容比较基础，但它确实是“书”这种材料中比较前沿的知识了。后续若想再深入学习，就要紧跟业务和paper了。读其他的书可能只能让你大量阅读重复的知识。
类似深度学习实战之类的教程我也不太推荐，因为它们或多或少都与某种具体的深度学习框架耦合，容易变成“学习”某种框架的API。与其这样，我们不如去看GitHub或者网上的实例。
4
后续
上述两本资料是我快速入门时认真啃过的两样东西。入门作为一个阶段，切忌停留太久，而应该在掌握之后迅速投入到实战之中。实战包括做具体的业务建模，或者搭建具体的项目工程，用写代码的方式让自己形成体感。
再之后，就应该会涉及到性能优化了，免不了阅读框架源码，改写框架结构等。
关于如何切入到框架源码的阅读中，快速梳理调用栈，我会另写一篇文章详细介绍我的方法。
讲技术，也谈风月，更关注程序员的生活状况，欢迎联系二少投稿你感兴趣的话题。
