一. 本文纲要 细想一下，其实无论是要自学高性能计算，还是要自学开车，无论我们要自学什么，都要弄明白以下几个问题：我们适不适合自学，怎么自学，从哪开始自学，自学到什么程度？我们要学习的这个技术有什么价值？学习这个技术的路线是什么样的？..... 所以通过这篇文章，小猿将带你弄清楚你到底适不适合自学，如何自学高性能计算，怎么自学，从哪开始自学，自学到什么程度等核心问题。本文的基本纲要如下： 1. 关于自学； 2. 关于高性能计算； 3. 关于入门。 闲言少叙，书归正传，让我们开启填补认知漏洞的一天吧，开心ing...... 二. 关于自学 根据小猿自身的经验认知，我觉得我们在学习任何一个技术之前，都应该仔细想一下，我们到底要不要花费时间、精力和金钱去自学一个技术。毕竟我们的时间和精力都是有限的，谁也不能保证这个技术可以学会和学好。 在中国传统的儒学思维中有”知易行难“的认知，但小猿却更认同孙中山的”知难行易“学说！孙中山认为，只要我们拥有了正确的理论认知，其实真正实践起来反而很容易！所以在真正开始自学高性能计算之前，小猿要扫清你的认知障碍，只有具有了正确的认知，才能快速有力的行动起来。 1. 到底要不要自学 现在小猿要问你一个问题，请你仔细思考，你真的想好要自学高性能计算了吗？你有没有想过学习人工智能？有没有想过学习前后端？你有没有想过参加培训班？如果你犹豫了，说明你没有做好自学的准备，起码在认知这一块就没准备好！ 有的小伙伴可能会很好奇，小猿为什么要提出这么一个看似无关紧要的问题？ 其实这个问题反而是很关键的一个问题！尤其是对于【自律性较差】的初学者来说更重要！试想，如果你本身就没有坚定的自学想法，后面稍微遇到点困难，你还能学的下去吗？你还能学好吗？半途而废的例子不要太多哦！ 2. 自学存在的问题 所谓”万事开头难“，其实很多东西一旦入了门，后面就很顺了，即使后期没有别人的帮助和指导，很多东西自己也大多都可以搞得定，但恰恰很多人的学习计划就死在了”入门“前的路上。对于初学者来说，自学这条路，在刚开始的时候尤其困难，接下来小猿就给你分析一下自学时存在的那些问题。 高性能计算就是典型的入门难。如果没有系统的学习，很容易陷入进去，浪费时间和精力。 首先第一个问题，就是很多初学者其实不知道自己到底要先学什么，后学什么，脑海里【没有一个清晰的学习路线】。很多初学者都会犯一个毛病，今天看会这个，然后在这个知识还没牢固的时候，就又好高骛远地去学另一个，结果两个知识哪个也没学扎实。学到最后，学习路线完全乱了，自己都不知道自己到底学了哪些东西，感觉哪个都知道，感觉哪个都不熟。 然后影响自学者学习效果的【另一个关键因素，就是自律意识】！这一个因素其实是最关键的！为什么有的人可以成为学霸，有的人确是学渣？难道真的是因为智商差异吗？小猿觉得不是！很多时候，学渣的智商可能比学霸的智商还要高一些，但学渣的学习就是搞不过人家学霸！很多初学者在自学的时候，会有"三天打鱼两天晒网"的毛病。刚开始自学的时候，信心满满兴致勃勃，第一天开始学的时候劲头十足，第二天也不错，但三天之后，学习劲头就开始下滑了。本来想着泡在图书馆每天自学8个小时，结果三天之后的学习时间就降低到了6个小时......4个小时......2个小时..... 因为是自学，没人给自己指导，遇到故障错误就只能自己费劲吧啦地百度查资料，寻找问题的解决方案。其实很多初学者连问题都不知道怎么描述，脑海里根本【没有解决问题的思路】。也就是说，很多初学者，在敲第一个案例代码的时候，就已经停止了自学计划了！学个毛线啊，明明看着代码和文章视频里的一样啊，为什么人家就正常，我的却报错？搞不定啊搞不定！欲哭无泪....... 即使有些自学者终于费劲吧啦的把第一个问题给解决了，然后随着学习的进行，又会出现第二个问题，第三个bug，第四个故障......有的小伙伴会说，自学个高性能计算咋那么多问题？其实不是自学高性能计算有这么多问题，你自学任何一个技术，都会有这些问题！因为你还没入门，你【不知道如何避免和解决这些问题】！所以在别人眼里很简单很low的问题，在你眼里就难如登天！这就是所谓的”隔行如隔山“！你想想，作为一个初学者，你每敲一个代码案例，就遇到这样那样的问题，出了问题还得花费很长的时间和精力去解决，搞来搞去，你还有多大的热情和动力继续学下去呢？ 而且即使你的学习劲头依然很足，遇到了问题就解决问题，每遇到一个bug，就花一个小时、一上午、一天甚至一周的时间去解决这个bug。虽然最终把问题搞定了，你觉得很开心，但小猿问你，你浪费了什么？你【走了很多弯路，浪费了最宝贵的时间】啊！所以别人5个月能学完的东西，你可能要花10个月，甚至一年两年才能学完，而且你学的还没人家扎实牢固！你觉得自学节省了钱，但却浪费了很多不必要的时间！我们在计算机里有一种编程思想，叫做”时间与空间“的关系。有的架构方案是”用时间换空间“，有的架构是“用空间换时间”，自学就属于“用时间换空间”，自己悟一下是不是这样！如果你把节省出来的时间用于工作挣钱，挣得钱其实远比你节省的学习费用多！ 还有的“大聪明”会说，既然自学时敲代码会出现一些很难搞定的问题，那我不敲代码，只看书看视频就好了，哈哈，我好聪明啊！如果你真这么干，我只能说你是“大愚若智”了！要想成为一个程序员，不敲代码，这就等于一个武者只看武功秘籍却不练武，你是想做“王语嫣”吗？【敲不出代码】的程序员，没有参加过【项目实战】的程序员，对开发来说有个卵用啊，这是典型的打嘴炮啊！ 另外，IT行业是一个技术更新很快的行业，自学者最容易走入歧途的地方就在于大量的浪费时间。明明五六个月就可以学完的内容，你非得花一年时间去学习。等你把这个技术学完了，然后发现这个技术更新了，甚至有点落伍了......你这是学了个寂寞啊大兄弟！而且我们自学时，因为大多数时候都是一个人“闭门造车”，遇到了问题没有可以请教的朋友，有什么想法也不知道和谁交流，所以就【没了最基本的“人脉圈”】。 我们无论自学哪个技术都会存在各种各样的问题，以上只是小猿发现的一些常见问题，最后小猿再给你总结一下自学者容易出现的状况： 没有清晰的学习路线；自律意识差；容易眼高手低；没有避免和解决问题的思路与方法；容易走弯路，浪费时间；没有项目实战经验，代码敲的少；没有可以交流的IT圈子；....... 当然，如果以上问题，对你来说都不是问题，那小猿就可以放心的跟你说，“小伙，我看你是个做码农的奇才，你赶紧开始自学高性能计算吧，请为中华之崛起而编程”！ 3. 自学前的准备 如果你现在已经根据自己的实际情况，确定要自学了，那接下来就请进入我们的第二个环节，对我们即将要自学的技术，你应该有一个清晰的认知，所以在开始自学之前，请做好以下准备： 想办法搞一个最新的高性能计算学习路线图，明确要学习的高性能计算技术路线和版本；认真规划自己每天的学习时间，严格执行自己的学习计划；准备必要的学习工具，比如电脑、开发软件、学习书籍、学习网站等；定期检查考核自己的学习成果，根据学习结果修正以后的学习计划；....... 对于很多初学者来说，虽然已经决定要自学高性能计算了，但其实你可能还不太清楚高性能计算到底是怎么回事，所以接下来请看小猿给你精心准备的高性能计算介绍。 三. 关于高性能计算 既然我们现在决定要学习一门技术，就必须先对这门技术有所了解，不能啥都不知道就去学它吧？不能因为别人说这个好你就去学它吧？这个技术都包含了什么内容？学了这个技术能干吗？有什么好处？这个技术有哪些要求...... 接下来小猿会在本章节中，把这些疑惑替你一一扫清！ 高性能计算（High Performance Computing，HPC）作为一项重要的计算技术，具有悠久的历史和广泛的应用领域。它通过利用并行计算和专用硬件来实现快速、大规模和高效的计算任务，为科学研究、工程仿真和数据处理等领域提供了强大的计算能力。 一、高性能计算的历史 高性能计算的发展可以追溯到上世纪40年代的早期计算机时代。当时，科学家和工程师们意识到利用计算机来解决复杂的数学问题和模拟现实世界是一项具有巨大潜力的任务。随着计算机硬件技术的不断进步和计算能力的增强，高性能计算迅速发展起来。 二、高性能计算的优势 高性能计算具有以下几个显著优势： 大规模计算能力：高性能计算系统通过并行计算和分布式计算模型，可以利用数千甚至数百万个处理单元同时进行计算，从而显著提高计算速度和处理能力。 复杂问题求解：高性能计算系统能够处理复杂的科学计算、仿真模拟和数据分析等任务，包括气候模拟、天体物理学、分子动力学模拟等领域。 大规模数据处理：随着大数据时代的到来，高性能计算可以处理海量数据，快速提取有价值的信息和洞察。 加速创新：高性能计算为科学研究和工程设计提供了强有力的工具，加速了创新的过程，推动了各个领域的发展。 三、高性能计算的应用场景 高性能计算广泛应用于多个领域，包括但不限于以下几个方面： 科学研究：高性能计算在物理学、化学、生物学、地球科学等领域的科学研究中发挥着重要作用，帮助科学家们模拟和解析复杂的现象和过程。 工程仿真：高性能计算在工程设计、产品优化和流体力学等领域的仿真模拟中起到关键作用，帮助工程师们评估和改进设计方案。 金融和风险分析：高性能计算可用于金融行业的风险建模、投资组合优化和市场预测等任务，提供高效的计算能力和准确的数据分析，支持决策制定和风险管理。 医学和生物科学：高性能计算在基因组学、蛋白质折叠、药物研发和生物信息学等领域的研究中发挥着关键作用，加速了疾病诊断、新药研发和医疗创新。 天文学和宇宙学：高性能计算可用于天体物理学和宇宙学领域的模拟和数据处理，帮助科学家们研究宇宙的起源、星系形成和黑洞等复杂现象。 四、高性能计算的常见名词 在高性能计算领域，有一些常见的名词需要了解： 超级计算机：指具有极高计算能力的计算机系统，通常由多个处理器、大量内存和高速互联网络构成，用于处理复杂的科学计算任务。 并行计算：指将一个计算任务分解成多个子任务，并通过多个处理单元同时执行，以提高计算效率和速度。 分布式计算：将计算任务分发到多个计算节点上进行并行处理，节点之间通过网络进行通信和数据传输，形成一个分布式计算系统。 并行编程模型：一种用于编写并行计算程序的编程模型，如OpenMP、CUDA和MPI等，提供了并行计算任务的分解、调度和同步机制。 高性能文件系统：专门用于高性能计算的文件系统，具有高速数据读写和可扩展性，常用的有Lustre和GPFS等。 集群管理：用于管理和调度高性能计算集群资源的软件工具，如Slurm和PBS等，用于分配计算节点、任务调度和资源管理。 高性能计算作为一项关键技术，正在不断推动科学、工程和创新的进步。通过深入理解高性能计算的历史、优势、应用场景和常见名词，可以更好地把握这一领域的核心概念和发展动态，为未来的学习和应用打下坚实基础。 在这里，猿代码科技（https://www.ydma.com）为您准备了一份高性能计算培训课程，涵盖CPU、GPU以及超算运维。其中尤其推荐的是猿代码-高性能计算从新手到大师系列课程（CPU和GPU并行优化） 这是由国内顶尖科研院所专家及知名企业工程师合作研发的高性能计算专项课程，涵盖高性能计算之并行计算等多个方面，包括CPU并行计算实战课程、GPU并行计算实战课程以及超算运维等。您将有机会通过工程化实战项目来学习所学知识，并与来自国内顶级专家及工程师近距离合作与学习。
|
说点什么...