每个算法工程师都必须要有自己熟悉的一套code toolkit，包含各种不同的任务，开放不同模块的接口，能够快速复现出sota方法，同时最重要的是有一套完整的分析步骤流程，帮助解决类似于无法收敛、梯度消失爆炸等问题、模型输入输出等相关问题。
MLOps（Machine Learning Operations）旨在提供模型开发、构建以及部署等多方面的流程化管理，类似于DevOps，只需要按照某种约定和配置，即可实现整体性的测试发布流程。
在模型层面，模型的正确性测试、模型指标验证、模型的发布以及模型的可视化测试等多个层面都可进行流程化控制，从而减少算法工程师的工作量；从技术的历史发展进程上来看，ML Ops是每一个算法工程师在未来都将具备的基本技能。
定义
做任何事情，提升效率是提升能力的关键，那对于算法工程师而言，快速实验一方面是工作和学习中的高效竞争力，另一方面能够帮助自己预留更多的时间来处理其他事情，比如分析数据、分析模型、从而做相关的模型消融实验等等，所以快速实验是一个非常必要的技能，也是长期工作和学习过程中必定要具备的一项技能。
那怎么才算是快速实验呢？如果要在目前已有的任务上面跑，只需要简单改吧改吧就能够得出所有的实验结果。
要求
简单改吧改吧听起来非常简单，里面有很多工作需要完成，比如说：
- 针对于某一个任务的输入输出、数据处理、模型结构、训练、评估等模块都要非常熟悉。
- 熟练使用某一个代码框架，如pytorch、paddle等，并整理一套属于自己的实验toolkit。
- 将自己的代码框架open出去，和其他开发者共同维护工具库
- 需要更多的时间和兴趣来维护，而且还特被重要
这些要求简单也不简单：内容简单，可坚持不简单，同时用对的方法完成更加是难上加难。
总结
如果这个工作做好了，对自身和开源社区都是非常有价值的事情，可是这件事情很难。
那为什么这么难呢？明明是一件很简单的事情，如果给一个没有感性的模拟机器人来完成，这就是一个easy case job：每天定点定时完成某些任务，按时保质的坚持，这对于个人而言极其重要。
让我想起了电竞行业里面，每位选手都需要知道什么时候该做什么事情，什么时候不该做什么事情，思路非常清晰，一定要客观，尽量避免主观。可是很难，因为他们不是机器人，而是具有感情的人。
我有时候在想，自己是否要来一点人格分裂：管理者和执行者。管理者负责做plan，制定TODO List，而执行者只需要像个没有感情的机器人去完成任务就行了。听起来很荒唐，可是如果想要尝试一下，有如下建议：
- 管理者一定要制定足够详细的todo list，且尽量人性化
- 执行者在执行的时候，尽量快乐的且不要携带个人情绪的去完成
这个总结跑的优点偏了，只因为写到这里才突发此感。好了，继续搬砖了，下次有时间再聊。