高枝个人博客 土木读研 · 计算机 × 土木的交叉笔记
返回列表

《程序员修炼之道》重读:从图书馆到枕边,我划线最多的五句话

《程序员修炼之道》读后:从会写代码到学会做判断 本科阶段学习计算机科学与技术时,我一直觉得,编程能力很大程度上取决于掌握了多少知识:记住多少语法、熟悉多少框架、会使用多少 API。 后来开始接触 Python、PyTorch、OpenCV,逐渐把编程应用到计算机视觉和科研项目中,…

《程序员修炼之道》读后:从会写代码到学会做判断

本科阶段学习计算机科学与技术时,我一直觉得,编程能力很大程度上取决于掌握了多少知识:记住多少语法、熟悉多少框架、会使用多少 API。

后来开始接触 Python、PyTorch、OpenCV,逐渐把编程应用到计算机视觉和科研项目中,我发现事情并没有那么简单。

有时候,一个函数记得再熟,也可能因为版本不同而无法正常使用;一段代码看起来没有问题,换一组数据就可能出现异常;一个模型能够正常训练,也不代表实验结果就是可靠的。

最近读《程序员修炼之道》(The Pragmatic Programmer),里面有几个观点让我重新思考了编程这件事。

它讲的不只是如何写出更好的代码,而是如何成为一个真正能够解决问题的程序员。

一、你的知识资产,取决于你能多快进入一个陌生领域

Your knowledge assets are how fast you can get up to speed on any codebase or technology.

这句话我比较认同。

以前我理解的编程能力,是熟悉一门语言,掌握一套开发工具,遇到问题能够迅速写出代码。

但现在接触的技术越来越多,已经很难要求自己记住所有东西。

比如一个新的深度学习项目,拿到代码后,真正需要做的不是马上修改网络结构,而是先弄清楚:

  • 项目使用什么框架和依赖版本?
  • 数据集采用什么目录结构?
  • 模型的输入和输出是什么?
  • 训练、验证和测试分别在哪里执行?
  • 哪些参数可以调整,哪些地方不能随便修改?

这些问题看起来很基础,却决定了能不能真正理解一个项目。

尤其是阅读 GitHub 上的开源项目时,快速理解代码结构、找到核心模块、梳理数据流,比单纯记住某个函数的用法更重要。

我现在更愿意把这句话理解为:

真正的知识资产,不是你记住了多少东西,而是面对陌生技术时,你能多快建立起自己的理解。

二、对自己的知识投资负责

书中有一个很重要的思想:程序员需要持续投资自己的知识资产。

我觉得这件事可以分成两个部分。

一部分是必须掌握的基础知识,另一部分是可以通过文档和工具随时获取的具体知识。

例如:

text
核心知识(需要持续积累)
├── 数据结构与算法
├── 操作系统与计算机网络
├── Python 基础与编程思想
├── 深度学习基本原理
├── 计算机视觉基础
└── 软件工程与代码设计

工具知识(需要时查阅)
├── PyTorch API
├── OpenCV 函数参数
├── Git 命令
├── Linux 操作命令
├── 数据库配置
└── 各类开发框架的使用细节

这并不是说工具知识不重要,而是没必要把所有精力都花在死记硬背上。

例如,理解卷积神经网络的工作原理很重要,因为这决定了你能不能解释模型为什么这样设计。

但某个 PyTorch 函数的具体参数、返回值和版本变化,完全可以通过官方文档查询。

两者的区别在于:

基础知识决定你能不能理解问题,工具知识帮助你更高效地解决问题。

三、Do it, learn it, or get out

这句话可以理解为:要么去做,要么去学习,要么离开。

我觉得它放在科研和编程实践中也很有意义。

有时候遇到一个陌生项目,最容易出现的状态就是:

看了一遍代码,不太理解;搜索了一些资料,还是不太明白;又不敢动手修改,最后一直停留在原地。

但实际上,很多问题只有真正动手之后才能理解。

比如运行一个开源裂缝分割项目:

  • 不清楚数据预处理,就先追踪数据读取代码;
  • 不理解网络结构,就从模型的 forward 方法开始看;
  • 不知道训练参数有什么影响,就固定其他条件进行对照实验;
  • 遇到报错,就先定位问题,再查阅对应文档。

不需要一开始就把所有知识准备好。

先把问题拆开,动手验证,再逐渐补齐知识。

当然,这并不是盲目试错。每次修改都应该有明确目的,最好能够记录修改前后的结果。

真正的学习,不是看懂了多少教程,而是能够独立解决多少问题。

四、主动改变那些让自己不满意的事情

书中有一个观点,大意是不要被动接受不合理的工作方式,而应该主动去改变。

以前我可能会觉得,程序能运行就行,代码写得不够规范也没什么关系。

但当项目逐渐变大,这种想法就会带来很多问题。

例如,一个科研项目如果没有清晰的目录结构,代码、数据、模型权重和实验结果全部混在一起,后面想复现实验就会非常麻烦。

再比如,同一个参数在多个文件中重复定义,修改时很容易遗漏。

这些问题其实都可以提前解决。

我现在更倾向于在项目开始时就做好基本规划:

text
Project/
├── configs/          # 配置文件
├── datasets/         # 数据集
├── models/           # 网络结构
├── scripts/          # 训练与测试脚本
├── experiments/      # 实验记录
├── checkpoints/      # 模型权重
└── README.md         # 项目说明

目录结构不是越复杂越好,但至少应该让自己和其他人能够快速理解项目。

对科研来说,还有一个很重要的事情:记录实验。

模型使用了什么参数、数据如何划分、运行结果是什么,都应该尽可能保留下来。

否则过一段时间,可能连自己为什么得到某个结果都解释不清楚。

五、别把简单问题复杂化

Don't build what you don't need.

这句话我觉得尤其适合现在的 AI 编程环境。

以前写代码,可能会习惯性地考虑各种未来需求,提前设计很多模块,甚至为了所谓的扩展性,把一个简单功能拆成很多层。

但设计得复杂,并不代表设计得优秀。

尤其是在深度学习研究中,这个问题非常常见。

假设现在要做一个边坡裂缝分割任务。

一开始就加入多尺度注意力、复杂特征融合、多个损失函数和各种改进模块,看起来技术含量很高。

但如果连一个基础 U-Net 都没有跑通,就很难判断后续改进究竟有没有效果。

我更认可这样的顺序:

  1. 先建立能够正常运行的 Baseline;
  2. 检查数据处理和实验流程;
  3. 分析模型当前存在的问题;
  4. 每次只针对一个问题进行改进;
  5. 通过对照实验验证改进是否有效。

这样做的好处是,每一次增加复杂度都有实际依据。

先解决真实存在的问题,再考虑增加新的设计。

这不仅适用于模型研究,也适用于普通软件开发。

六、AI 编程时代,程序员更需要什么能力?

这部分是我最近比较深的一个感受。

现在有了 ChatGPT、Codex 等 AI 编程工具,很多以前需要自己花时间查找和编写的代码,现在可以通过自然语言快速完成。

但这并不意味着编程能力不再重要。

恰恰相反,AI 让代码生成变得容易之后,判断代码是否正确变得更加重要。

例如,让 AI 帮助搭建一个深度学习项目,它可能很快生成完整的训练脚本。

但接下来仍然需要自己判断:

  • 数据读取是否正确?
  • 模型结构是否符合研究目标?
  • 损失函数是否适合当前任务?
  • 训练集和测试集是否存在数据泄漏?
  • 实验结果能否复现?
  • 代码中是否存在不合理的假设?

这些问题不能因为代码能够运行就直接跳过。

我现在更倾向于把 AI 当作一个提高效率的工具。

它可以帮助我们搜索、编写、解释和修改代码,但最终的技术选择、实验设计和结果判断,仍然需要自己负责。

AI 可以降低写代码的成本,但不能替代对问题本身的理解。

最后,一点思考

读《程序员修炼之道》,让我重新思考了一个问题:

究竟什么才是真正的编程能力?

是能够熟练使用各种开发框架?是能够快速写出几百行代码?还是能够独立完成一个复杂项目?

我觉得这些都只是其中的一部分。

真正重要的是,面对一个陌生问题时,能不能快速找到切入点;面对一段陌生代码时,能不能理解它的设计逻辑;面对一个运行结果时,能不能判断它是否可信。

尤其是现在,编程工具和 AI 技术更新得越来越快,具体的语法和 API 可能会变化,但理解问题、分析问题和解决问题的能力不会因此失去价值。

基础知识需要积累,技术工具需要学习,陌生领域需要主动探索。

从记住怎么写代码,到理解为什么这样写,再到判断应该不应该这样写。

这可能就是我现在对程序员成长最直接的理解。