一到毕业季，很多计算机专业的同学都开始为找工作而发愁。有些同学或许有着不错的学历，但由于没有几个拿得出手的项目经历，面试屡屡受挫，而有的同学虽然还未毕业，但高薪工作早已找上门，为选择太多而“发愁”。
作为一个典型的英雄不问出处的职业，“Show me the code”是工程师的箴言。这意味着，优秀项目实践经历是检验候选人技术能力的关键。问题是，哪里能找到不错的实习项目？
以往，很多同学的选择是去大公司实习，这当然能得到锻炼，但问题在于好项目组往往是僧多粥少。现在，随着开源的火热发展，你很容易就可以在GitHub上找到开源项目并贡献代码，这无疑是高校学生提升编程能力、参与业界技术实践的绝佳选择。
如你所知，很多现在业界有名的技术大牛都是从开源项目中得到历练，而OneFlow开源深度学习框架能走到今天，也离不开实习生的贡献，他们有的后来还加入OneFlow，成为核心贡献者。
成诚，2019年清华大学软件工程硕士，毕业2年后，现已成为OneFlow深度学习框架开发组的负责人之一。之所以有这么快的成长速度，离不开他在OneFlow实习的经历。
2017年，他抱着“看一看”的想法，成为OneFlow项目的实习生。在OneFlow实习的两年里，他的工作内容和正式员工没什么差别。回头看，他在这里学到了诸多实实在在的干货，“学到的知识比我在大厂的同学们要多很多，也比在学校做科研的同学更落地。”
当然，他并非孤例。在与他同时期加入的实习生中，也有其他表现优秀的同学后来也留在 OneFlow，已经能够独当一面。而在OneFlow结束实习后，最终没有选择留下的那批人，大部分都去了微软研究院、阿里、腾讯等AI大厂，也有人选择继续读研、读博。
在实习期就深度参与 OneFlow 这样的优秀开源项目，既能追踪学术最新进展，又锻炼工程落地能力，这无疑会成为未来求职、升学时最亮眼的“简历”。具体而言，高校学生参与开源实践具体有这些好处：
首先是提升编程技能。对计算机专业相关的学生而言，在学习编程后，能验证能力的只是一些简单项目，但通过阅读开源项目的源码，你不仅可以学习顶级项目的设计思路，还可以学习顶级开发者的编程思路，比如通过学习提升代码的可读性和简洁性。同时，你也可以提交PR、注释，而社区里的资深工程师会给出直接反馈，这比你自己摸索要成长得更快。
其次能帮你找到满意的工作。如果你在开源项目上留下印记，无论是贡献代码、技术文档、应用案例等等，这些都能证明个人能力，甚至，有时你的简历只需放上GitHub个人账号链接就已足够：）
最后，开源也许会成为你热衷的事业。处在这样一个开源崛起的时代，尤其在国内很多像OneFlow这样的顶级项目不断催生，现在正是那些热爱开源理念和开源软件的开发者大展鸿图的时候，他们有的在学生时代就已学习和贡献开源，开源世界为他们带来了荣誉和快乐，而他们在未来也致力于开发和运营开源软件。
总之，对于高校学生中的开发者，只要你能通过开源项目的代码证明自己的实力，这无疑像是拿到了观看球赛的前排门票，你不会再因为“内卷”而发愁，因为你的前方视野足够辽阔。
说了那么多，高校学生开发者怎么找到开源项目去上手实践？别着急，这次有开源项目找你来了，就看你喜欢不？
为了鼓励在校学生积极参与开源软件的开发维护，培养和发掘更多优秀的开发者，最近主要面向高校学生开发者的“开源软件供应链点亮计划-暑期2021”活动已启动报名。
OneFlow 作为此次活动的开源社区合作方，目前已发布11个可供候选人参与的项目。通过这些项目，我们希望帮助各位报名的同学降低参与开源实践的门槛，深入了解深度学习框架，在提升自己技术能力的同时，更深度地参与到深度学习开源框架的开发与维护中。
4、根据活动战绩，获得相应的项目奖金（最高12000元）及证书奖励
欢迎对如下任一项目感兴趣的同学参与，可直接发送邮件联系项目社区导师报名，或通过学生指南的报名系统中进行申报：https://summer.iscas.ac.cn/help/student/。注意，5 月 24 日- 6 月 13 日是学生提交项目申请阶段。
项目一：将 OneFlow 中的 CommNet 模块抽取为独立工程
项目描述：CommNet 模块是 OneFlow 的底层通信模块。用于分布式训练时节点与节点之间的通信。 CommNet 采用了多种设计模式及优化技巧保证其底层协议的可扩展性及传输的高效性。CommNet 是纯异步且对深度学习最友好的高效网络传输模块。目前底层支持 RDMA 或者 epoll 方式，并且可以很方便地扩展底层通信方式。 由于 CommNet 模块易扩展、性能高效、协议简单等特性，不少项目希望将 CommNet 嵌入进自己的系统中用于网络通信。 在这个项目中，我们将从 OneFlow 中把 CommNet 抽取出来，作为一个独立工程，贡献给开源社区。
导师联系方式：lixinqi@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/core/comm_network
项目描述：einsum 是一个强大又有趣的算子。OneFlow 目前还没有这个算子。如果尝试在 OneFlow 中添加这个算子，你不仅可以熟悉 OneFlow 的 Python 前端如何与 C++ 后端交互、掌握 CUDA 编程、深入体会 OneFlow 发明的 SBP 等概念如何在分布式训练中大显神威，还可以了解词法、语法分析等与编译有关的知识并立即应用在这个项目中。
导师联系方式：caishenghang@oneflow.org
https://pytorch.org/docs/stable/generated/torch.einsum.html?highlight=einsum#torch.einsum
-
einsum 算子的 Python 前端
-
einsum 算子的 CUDA Kernel
-
einsum 算子的 CPU Kernel
-
einsum 的接口文档
-
einsum 的 Op 代码
-
einsum 所需要的简单语法解析器
项目三：OneFlow 部署实现 C/C++ API
项目描述：收集数据、标注数据、搭建模型、进行训练、调参……直到得到一个精度不错的模型。所有这些工作，可能还只完成了工业落地的一半工作不到。训练好的模型需要部署上线，才能为业务逻辑提供底层支撑。 设计和开发部署框架时，需要考虑模型压缩、多平台支持、指定平台优化、高吞吐和低延迟……涉及的技术广度和深度都非常有趣。 OneFlow 已经有自己的部署模块，可以较为方便地部署已经训练好的模型。但是，目前 OneFlow 的部署还依赖 Python 解释器，在部署性能上还有提升空间。 这个项目中，你将在导师的指导下，基本要求是去掉 OneFlow 部署模块对 Python 的依赖，实现部署的 C/C++ 接口；在此基础上还有不少易用性、性能提升的工作，也非常值得尝试。
导师联系方式：zhangwenxiao@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/
-
了解部署的流程，熟悉常见的部署框架的操作流程
-
具有 C/C++ 开发能力
-
了解常见的网络协议，接触过网络编程
项目四：为 OneFlow XRT 后端提供 TVM 支持
项目描述：OneFlow XRT 是 OneFlow 的一个子模块，用于适配张量编译器。通过 OneFlow XRT，我们可以将其它张量编译器的优化能力无缝地嵌入到 OneFlow 运行时中。目前，OneFlow XRT 后端已经支持 XLA 与 TensorRT。 TVM 作为颇有影响力的机器学习编译框架，将其纳入 OneFlow XRT 的后端当然也是 OneFlow 的计划之一。
导师联系方式：chenhoujiang@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/xrt
项目描述：因为各种机缘巧合和历史的必然，Python 成为了现在事实意义上的“人工智能编程语言”，OneFlow 也把 Python 作为了用户接口语言。 然而事实上，Python 只是 OneFlow 的前端，复杂的计算和并行功能代码，还是通过 C/C++ 实现的，OneFlow 良好的解耦设计，使得我们可以较容易的支持 Python 作为用户接口，自然也可以支持更多的语言作为用户接口。 不管是 Javascript、Swift、Ruby…… 只要你感兴趣，都可以加入这个项目，尝试在 OneFlow 的用户侧支持它。
导师联系方式：caishenghang@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/
-
为 OneFlow 新增一种脚本语言支持
-
对应语言接口的 API 文档规范、准则
项目描述：数据并行、模型并行、流水并行、混合并行……随着分布式训练中并行方式越来越复杂，由框架自动寻找较好的并行策略（寻找全局最好的策略是 NP 难度的问题），即自动并行技术，成为了研究热点。 OneFlow 中的自动并行技术中所使用的代价模型主要有两类：基于传输代价的，和基于算力代价的。 在这个项目中，你需要在导师的指导下，为某些算子的算力代价建模，并实现相关的代价函数。相关问题在工业界和学界都是新兴的，适合勇于探索的同学。
导师联系方式：liyipeng@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/
项目描述：目前最新 OneFlow 的 Release 版本，仅支持 CPU 及 英伟达 GPU 设备。为适配更多兴起的新型芯片、AI 加速器，OneFlow 在 master 分支已经重构了部分代码，降低为 OneFlow 新增设备支持的难度，目前已经有初步的多设备支持框架，包括：1. 对各种设备抽象出设备中间层，应对新增设备的变化 2. 将新增设备的信息改为注册制，便于新增设备类型的管理 3. 部分去除原有代码中假定设备类型只有 CPU 或者 GPU 的依赖。并且在重构的框架下跑通了新增设备的神经网络测试。
未来 OneFlow 将可以依赖多设备支持框架，快速优雅地增加对新计算设备的支持。不过，在正式发布前，还有一些细节需要打磨，主要体现在：1. 将多设备支持框架与 OneFlow 的分布式模块和动态图模块完全融合 2. 完全去除 Python 层对设备类型假定只有 CPU 或 GPU 的依赖 3. 在多设备框架的基础上，及软硬件导师的指导下，为 OneFlow 增加新设备支持 以上各个任务都有多个难度层次的子任务，除熟悉 C++ 外，并不需要太多的额外前置知识。适合熟悉 C++ 并有意借此机会深入了解深度学习框架如何驱使底层计算设备工作的原理的同学。也适合想借此机会锤炼自己的编程能力，深入实践设计模式的同学。
导师联系方式：zhangjianhao@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/
-
完全去除 Python 层对设备类型限制的假定
-
完善新增设备类型的注册机制
-
将多设备支持模块与分布式模块融合
-
将多设备支持模块与动态图模块融合
-
相关设计文档及接口文档
项目八：为 OneFlow 的图编译后端提供获取网络权重的支持
项目描述：OneFlow 的 Python 接口用于搭建神经网络的结构，当程序运行时，用户搭建的神经网络结构，将转化为 OneFlow 后端可以读取和解析的图数据结构，由 OneFlow 后端进行解析和优化。优化的过程包括图变换（Pass）。 当前 OneFlow 中的图变换，只能获取图中的拓扑关系信息，还无法获取权重信息，使得一些常见的 Pass （如将 conv 和 batchnorm 融合）无法实现。
在这个项目中，你将在导师的指导下，了解 Pass 的基本概念及难点（如果已经掌握了更好），根本地解决 OneFlow 的 Pass 过程中无法获取权重信息这个问题。如果还有余力及兴趣，也可以在此基础上，继续为 OneFlow 创造新的 Pass 用于图优化，甚至实现自动生成而不是基于规则手写 Pass 的机制。
导师联系方式：zhangjianhao@oneflow.org
https://github.com/Oneflow-Inc/oneflow/tree/master/oneflow/
-
重构相关 Python 端
-
重构 C++ 后端 Pass 模块的相关功能
-
相关的设计文档及 API 文档
-
相关的测试代码
-
在获取权重的基础上的新 Pass
-
熟悉 C++
-
了解深度学习编译技术（或者可以在导师指导下学习）
项目九：为 OneFlow 添加自动判断重计算区域功能
项目描述：重计算（rematerialization，也有 gradient checkpointing 的称法）是是一种时间换空间的优化方法，它在神经网络训练中的应用最早由陈天奇团队提出（arXiv:1604.06174）。在以上工作中，需要手工指定重计算区域，目前 OneFlow 采用的也是这种方式。但是在基于陈团队的优化方法的一些后续工作中，有不少工作提出了自动判断性价比最高的重计算区域的方法（如 arXiv:2006.09616）。在这个项目中，你将在导师的指导下，阅读相关资料及代码，并在 OneFlow 中落地自动判断重计算区域的相关功能。
导师联系方式：zhangjianhao@oneflow.org
https://arxiv.org/abs/1604.06174；https://arxiv.org/abs/2006.09616
项目十：NVlabs imaginaire 仓库的模型复现
项目描述：NVlabs imaginaire 是英伟达维护的一个使用 PyTorch 实现的模型仓库。包含了多个与图像、视频生成方法有关的模型。生成对抗类神经网络（GAN）对硬件资源的要求非常高，NVlabs imaginaire 中的模型也不例外，在该仓库中的各模型，往往需要昂贵的深度学习主机（如 NVIDIA DGX1）和一定数量的高端显卡（如8张 V100)，这使得复现这些模型的工作难以“平民化”展开。OneFlow 充分发挥自身分布式的优势，使用 OneFlow 重写这些模型后，可以使用多张“不那么昂贵”的显卡（如 2080）和主机组成集群，完成同样的训练任务。将这类模型的研究技术平民化、大众化。
导师联系方式：liangdepeng@oneflow.org
https://github.com/NVlabs/imaginaire
项目描述：TVM 作为当代应用最广泛的深度学习编译器支持将各种主流深度学习框架（如 TensorFlow/Pytorch/MxNet 等）模型直接转换为 TVM 的中间表示，可以实现在 GPU，CPU，FPGA 等各种后端硬件上部署，并结合 Auto TVM，Ansor 等技术可以在各种后端上取得较好的通用推理效率。
OneFlow 作为一个深度学习训练框架，将其训练的深度学习模型高效的部署到各个平台上也是重要的一环。但 OneFlow 目前没有提供通用的模型部署方案，因此本项目旨在为 TVM 添加 OneFlow 前端。使得 TVM 可以直接加载 OneFlow 训练的模型并转换为 TVM 的 Graph IR，然后在各种后端硬件上进行部署。另外，OneFlow 目前不仅支持 FP32 和 FP16 的训练，还很好的支持了 INT8 量化训练。所以本项目还期望在为 TVM 支持 OneFlow 前端的过程中，也可以实现部署 OneFlow 的 INT8 量化训练模型。
导师联系方式：zhangxiaoyu@oneflow.org
https://github.com/Oneflow-Inc/oneflow；
https://github.com/apache/tvm
-
为TVM支持OneFlow前端，支持在 TVM 中直接加载 OneFlow 的模型并推理。
-
完善 TVM 支持 OneFlow 前端的文档和使用示例，提交 PR 给 TVM，合进 TVM 官方仓库，并负责输出一篇 TVM 如何添加 OneFlow 前端的文档。
-
基于 TVM 的 OneFlow 前端完成常见模型如 ResNet50、MobileNet、Transformer 等在 TVM 中的部署。测试精度速度并整理报告文档。
注：题图源自Jackson David，pixabay
