• DeepSeek V4 加大了与Ascend的合作；
• 在华为稼先上的技术报告，除了Ascend C对attention有算子优化；
• 通过pytorch的算子自动融合 AutoFuse 处理一些非常规的计算，可以实现E2E加速31%。并且说可以修改一行之间开启。

故了解相关概念，但是实际上 AutoFuse只适合非常规计算特别多，又没有人力投入的情况，可以考虑AutoFuse。但是对于Qwen3.5 这种优化后就只有一半Matmul/GMM，一半GDN的情况，AutoFuse接入的收益就不足了。

• triton 虽然主流，大部分硬件都支持，虽然能快速拿到一部分收益，但是却较难极致性能。
• 但是Ascend C / PyPTO 又过于Ascend定制化，(学了怎么跳槽啊)
• 寻找一种更底层，支持极致性能的通用算子编程语言，是极致性能优化里不可或缺的一环。

• 浦江现场性能优化时，原始 triton 的 GDN性能相对于H200的triton性能很差；
• 接入了 Ascend C的若干GDN算子实现，提速了一倍；
• 接入 mojo_opset 的 casual_conv1d; 或者 huawei-csl的 sglang的高性能 solve_tril 。性能又提升一波，但和竞品还是有差异。
• 2012实验室对 PyPTO 有精细调优，现在想接入

• Ascend上训练编译成全图有功能问题，导致下发问题并不能像GPU一样完全解决；
• 在浦江实验室的经验是，triton确实能快速拿到2～3倍的收益，如果算子还有问题就能考虑

• 对于不使用的python对象，如何释放？
• python 的对象管理机制
• del，empty_cache , gc_collect的原理

learning rate、clip_norm、梯度累计、micro bs 这些通用超参，应该如何调整。

• 数据集与数据加载器：学习如何使用torch.utils.data.Dataset和DataLoader来加载和处理数据。
• 数据预处理：介绍常用的数据预处理方法，如归一化、数据增强等。

当时我选择一线的原因是决定能最解决客户，每个工作能产生最大的价值。

通过一段时间的开发，我感觉在一线开发就像在泥潭里前进：走得越快越远，泥潭陷得越深，前进阻力越大。

困境为何而来，如何解决困境，是我想讨论的重点。

变量和函数的命名一直是程序员最头疼的事，好的命名应该简洁且自注释，同时还要注意冲突、和相似命名的歧义。

本文将从以下几个方面展开：

1. 驼峰型 、下划线型
2. 命名示例

• 一般来说，析构函数应该只处理释放资源，不处理逻辑。
• 但是PTA的代码里，在全局变量的析构函数里，写了向子线程发送结束信号的函数，和childThread.join()。这导致了很奇怪的问题，string demalloc等。

为此，想研究一下C++的析构函数执行顺序。包括嵌套的Class结构，和全局变量的析构时机。