Python7大就业方向毕业生必看

计算机专业学习Python 7大就业方向

学习Python 7大就业方向

一、Web开发

Pvt hon拥有很多优秀的Web开发框架， 比如Flask、

Django、Boot star等， 可以帮助你快速搭建一个网站。

当你需要一个新功能时， 用Python只需添加几行代码即可， 这

受到了很多初创型公司的一致欢迎。

像知乎、豆瓣、小米这样的大厂最早的网站都是用Python搭建

的， 国外则更多， 如：YouTube、Quo ra、Reddit、

Insta gram、Netflix等代表地球顶级流量的大站， 都构建在

Python之上。

技能要求：前端基础、Python基础、主(Flask、Django流

Python Web框架等) 、数据库等。

薪资：平均15-20K

PS：目前这块还是以Java为主流， 如果只想从事这一块工作的话

， 还是选Java好找工作一点。

二、Python爬虫工程师

顾名而思义， 就是用Python收集和爬取互联网的信息， 也是

小伙伴们入坑Python的第一驱动力。靠人力一星期才能完

成的工作，你泡着咖啡、跑10分钟爬虫即可，又装X又实用

， 学会Python爬虫后， 即使不做程序员的工作也能加分不

少。当然到后期，爬虫工程师，基本是样样精通，难度不小。

薪资：平均15-25K

技能要求：前端基础、Python爬虫库、数据库、JS反爬等

友情提示：注意法律风险

三、Python游戏开发

Python游戏开发的招聘集中在游戏服务器领域， 主要负责网

络游戏的服务器功能开发、性能优化等工作。

薪资：15-25

技能要求：Python、Python Web框架Linux、数据库、

Ng in x等

四、Python数据分析师

这个时代，数据和黄金一样宝贵现在最火的公司如：今日头条

、抖音、快手等，产品都建立在对用户的分析之上，更不用说

淘宝、京东、拼多多这些"定制化推荐"的老手可以说，所有

的商业公司都需要这样一个角色。

Python数据分析师也成了目前最火的职业之一。Python

是目前数据分析业务中， 最常用的语言。学会Python后， 基

本可以满足数据分析经理的招聘需求。

薪资：10-25K

技能要求：统计学基础、SQL、Python的数据分析库

(Pandas NumPy、mat plo lib) 、数据库、机器学习框架

(高端职位需要)、相关业务知识等等

五、人工智能

这是是目前最火的方向之一，薪资待遇非常高。从招聘网站上

可以看到，60K、80K的职位也有很多，当然这些职位的要

求也相对较高。

Python是人工智能时代的头牌语言， 不管是机器学习

(Machine Learning) 还是深度学习(Deep Learning)

， 最常用的工具和框架都需要用Python调用， 如Numpy

、scipy、pandas、matplotlibPy Torch、

Tensor Flow等， 因此Python是人工智能工程师的必备

技能之。

薪资：20-40K

技能要求：统计学基础、Python、数据分析库、机器学习、

深度学习框架、C++、等等等，要学的很多，毕竟薪资很高

PS：对学历有要求，大多数是硕士起步也有少数本科生，专科

的话，还是要慎重一点。

六、自动化运维工程师

运维工程师经常要监控上百台机器的运行或同时部署的情况。

使用Python可以自动化批量管理服务器， 起到1个人顶10

个人的效果。自动化运维也是Python的主要应用方向之一

，它在系统管理、文档管理方面都有很强大的功能。

薪资：15-25K

技能要求：Python、shell、Linux、数据库open pyx l库

等

七、自动化测试工程师

测试的工作是枯燥和重复的，在过去，每次产品更新，都要重

复测试一遍， 效率低而且容易出错。Python提供了很多自

动化测试的框架， 如Selenium、Pv test等， 避免了大量

的重复工作， Python自动化测试也变得越来越流行。

薪资：10-20K

技能要求：Python、自动化测试框架、Linux等

pytorch有两个包无法原因是PyTorch的包没有放在anaconda及free通道和镜像源。根据查询相关公开信息显示，pytorch有两个包无法下载是因为PyTorch的包并没有放在anaconda以及它的free通道和镜像源上，所以会从pytorch官方指定的地址下载包，而这个文件存储在亚马逊S3上，因此下载时几乎无法下载。可以在浏览器或终端中设置代理服务器，以便更加稳定地进行下载。

可以。mx250采用的是帕斯卡架构，基本上就是在上一代的mx150的基础上进行了小幅度的升级，如果是桌面级显卡阵营中，性能相当于GTX1030。虽然mx250是入门级独立显卡，但跑pytorch还是能带动的。mx250搭配4GBGDDR5显存，TDP为25W，也就是满血版。

1GPU：计算机图显核心

11 GPU：计算机图形显示核心

GPU基本概念：图形处理器（graphics processing unit，缩写GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。

GPU是显卡的处理器：显卡全称显示适配卡，又称显示适配器，用于协助CPU进行图像处理，作用是将CPU送来的图像信号经过处理再输送到显示器上，由主板连接设备、监视器连接设备、处理器和内存组成，GPU即是显卡处理器。

12 GPU擅长大规模并发计算

GPU工作原理：GPU的工作通俗的来说就是完成3D图形的生成，将图形映射到相应的像素点上，对每个像素进行计算确定最终颜色并完成输出，一般分为顶点处理、光栅化计算、纹理贴图、像素处理、输出五个步骤。GPU采用流式并行计算模式，可对每个数据行独立的并行计算。

GPU与CPU区别：CPU基于低延时设计，由运算器（ALU）和控制器（CU），以及若干个寄存器和高速缓冲存储器组成，功能模块较多，擅长逻辑控制，串行运算。GPU基于大吞吐量设计，拥有更多的ALU用于数据处理，适合对密集数据进行并行处理，擅长大规模并发计算，因此GPU也被应用于AI训练等需要大规模并发计算场景。

13 GPU可分为独立GPU和集成GPU

独立GPU：独立GPU一般封装在独立的显卡电路板上，使用专用的显示存储器，独立显卡性能由GPU性能与显存带宽共同决定。一般来讲，独立GPU的性能更高，但因此系统功耗、发热量较大。

集成GPU：集成GPU常和CPU共用一个Die，共享系统内存。集成GPU的制作由CPU厂家完成，因此兼容性较强，并且功耗低、发热量小。但如果显卡运行需要占用大量内存，整个系统运行会受限，此外系统内存的频率通常比独立显卡的显存低很多，因此一般集成GPU的性能比独立GPU更低。

14 GPU广泛运用在图显和并行计算场景

GPU拥有单一的强大并行计算能力，所以用途往往是需要大规模并行计算的场景。早期GPU多被用于2D和3D图形的计算和处理，因为图形数据的处理往往涉及到大量的大型矩阵运算，计算量大但易于并行化。近年由于大数据、人工智能发展，GPU也常常被用于需要大量重复计算的数据挖掘领域，如机器学习，深度学习等。

GPU使用场景：GPU被广泛地运用于PC、服务器、移动等领域。其中服务器GPU可做专业图形处理、计算加速、深度学习等应用，以独立GPU为主；移动端GPU主要采用集成GPU；PC根据使用用途不同，既可以搭载独立GPU，也可以使用集成GPU。

15 全球GPU巨头：NVIDIA、AMD

NVIDIA（英伟达）：创立于1993年，1999年发明了GPU，最初专注PC图形，后来拓展到密集计算领域，Nvidia利用GPU创建了科学计算、人工智能、数据科学、自动驾驶汽车、机器人技术、AR和VR的平台。 Nvidia是目前全球最大的独立GPU供应商，2020年营收1668亿美元，2021Q2 Nvidia全球独立GPU市场份额达到83%。

AMD（超威半导体）：成立于1969年，目前业内稀缺的可以提供高性能CPU、高性能独立显卡GPU、主板芯片组三大组件的半导体公司。2020年AMD营收976亿美元，其中计算和图形（包括CPU、GPU、APU等）业务营收643亿美元，2021Q2 AMD全球独立GPU市场份额达到17%。

2GPU两大应用场景：图显、计算

21 2020全球GPU市场规模接近千亿美元

2020年全球GPU市场规模达到9991亿美元。3D图像显示、人工智能深度学习的需求支撑GPU市场持续增长，根据Verified Market Research数据，2020年全球GPU市场规模达到9991亿美元，预计2028年达到15816亿美元，CAGR为59%。

测算2020年中国大陆独立GPU市场规模约235亿美元。中国是全球GPU市场重要组成部分，2020年Nvidia、AMD在中国大陆收入占比分别为233%、239%，我们假设中国大陆独立GPU市场占全球235%，测算2020年中国大陆独立GPU市场规模约为235亿美元。

22 PC GPU：2020年全球出货394亿片

PC（个人电脑）是GPU重要应用场景，根据Jon Peddie Research（JPR）数据，2020年全球GPU出货394亿片，同比增长179%。

23 PC GPU：Nvidia和AMD占据独立GPU市场

Intel领导集成GPU市场。Intel（英特尔）是全球最大的CPU制造商，2021Q2占据全球775%的x86 CPU市场，集成GPU集成在CPU中，Intel凭借CPU市场地位，占据全球PC GPU大部分市场。根据JPR数据，2021Q2 Intel占据全球683%的PC GPU市场份额，Nvidia和AMD市场份额分别为152%、165%。

Nvidia和AMD占据独立GPU市场。在独立GPU领域，Nvidia具备明显的份额领先，2021Q2市占率达到83%。2006年AMD收购ATI，2010年放弃ATI品牌后推出AMD Radeon（镭龙）独立显卡系列，2021Q2 AMD独立PC GPU市场份额17%。

24 AI服务器与加速芯片

AI服务器：通常搭载GPU、FPGA、ASIC等加速芯片，利用CPU与加速芯片的组合可以满足高吞吐量互联的需求，为自然语言处理、计算机视觉、机器学习等AI应用场景提供强大的算力支持，支撑AI算法训练和推理过程。

AI加速芯片：由于CPU并不适合大规模并行计算，因此需要加速芯片执行AI算法，目前AI加速芯片主要包括图形处理器（graphics processing unit，GPU）、现场可编程门阵列（field-programmable gate array，FPGA）、专用集成电路（application specific integrated circuits，ASIC）、神经拟态芯片等。

25 GPU是AI服务器首选加速方案

服务器是AI核心基础设施。根据IDC数据，2020年中国AI基础设施市场规模为393亿美元，同比增长268%，并将在2024年达到780亿美元，其中2020年服务器市场规模占AI基础设施的87%以上，承担着最为重要的角色。

互联网行业是AI服务器最大采购行业。根据IDC数据，2020年上半年，互联网占整体加速计算服务器市场近60%的份额，同比增持超过100%；政府行业和服务业分别依次位居第二位和第三位。

GPU服务器是AI加速方案首选。IDC预计2021年中国GPU服务器占比919%左右的市场份额，是数据中心AI加速方案首选。根据IDC数据，2019年中国GPU服务器市场规模达到20亿美元，预计2024年将达到64亿美元。

26 AI服务器通常配置多个GPU芯片

GPU加速服务器能够提供优秀的浮点计算能力，从容应对高实时、高并发的海量计算场景，例如深度学习、科学计算、3D动画渲染、CAE等应用场景。

3NVIDIA：全球GPU巨头

31 全球GPU巨头

Nvidia成立于1993年，1999年上市，市值近10年增长超过83倍，近6年增长超过49倍。截至2021年11月5日，Nvidia总市值7438亿美元，总市值美股排名第七，是目前全球市值最大的半导体公司。（报告来源：未来智库）

32 三大因素推动地位提升

技术革新、场景拓展、外延并购，Nvidia引领全球GPU发展。

GPU架构：Nvidia坚持每2-3年推出一代新的GPU架构，持续保持技术领先，新的Ampere已经采用7nm工艺；应用场景：从最初图形处理到通用计算，再到AI深度学习和自动驾驶，Nvidia不断推动GPU应用场景的突破；外延并购：2000-2008年Nvidia密集收购额多家公司，涵盖显卡、图形处理、半导体等多个领域，2020年宣布计划收购ARM。

33 近年业绩高速增长

Nvidia产品主要分为两大类：图形处理、计算&网络。下游市场包括游戏、专业可视化、数据中心、汽车四大类。

2020年Nvidia营收1668亿美元（yoy+527%），净利润433亿美元（yoy+549%），其中图形处理业务营收983亿美元，计算&网络业务营收684亿美元。除去2019年游戏市场需求波动造成业绩下滑外，Nvidia近5年营收、利润均保持较快增长。

得益于基于Ampere架构新GPU产品带动游戏业务高增，以及数据中心对算力需求旺盛，2021上半年Nvidia营收、净利润快速增长。

34 游戏是最大市场，数据中心市场增速较快

Nvidia下游市场分为四类：游戏、专业可视化、数据中心、汽车，各市场重点产品如下：

游戏：GeForce RTX/GTX系列GPU（PCs）、GeForce NOW（云游戏）、SHIELD（游戏主机）；专业可视化：Quadro/RTX GPU（企业工作站）；数据中心：基于GPU的计算平台和系统，包括DGX（AI服务器）、HGX（超算）、EGX（边缘计算）、AGX（自动设备）；汽车：NVIDIA DRIVE计算平台，包括AGX Xavier（SoC芯片）、DRIVE AV（自动驾驶）、DRIVE IX（驾驶舱软件）、Constellation（仿真软件）。

35 计算业务驱动高成长

计算业务是Nvidia成长的主要驱动力：数据中心已成规模，智能汽车将进入收获期。

在数据中心市场，Nvidia拥有芯片、硬件、硬件的全栈布局。得益于全球AI应用场景的快速增加，对算力的需求飙升。是Nvidia成长最快的市场，2020年营收达到约6696亿美元，近4年CAGR达到685%，远高于游戏市场的176%。2020年Nvidia数据中心市场营收占比已经超过40%，预计未来仍将继续提升。

在智能汽车市场， Nvidia形成了全栈式自动驾驶解决方案。AGX Xavier芯片于2018年开始出货，下一代自动驾驶芯片Orin计划用于2022年量产，算力将达到254TOPS，目前已经获得蔚来、理想、沃尔沃、奔驰等多个整车厂定点项目。我们认为2022年高阶自动驾驶汽车或将集中落地，Nvidia自动驾驶将进入收获期。

36 中国大陆收入贡献提升

Nvidia中国大陆收入快速增长。2020年Nvidia来自中国大陆收入3886亿美元，同比增长423%，近4年CAGR达到314%，同期Nvidia整体营收CAGR为246%。

Nvidia中国大陆收入占比呈上升趋势。2020年Nvidia中国大陆收入占比达到233%，相比于2016年的189%提升44pct，2021上半年Nvidia中国大陆收入占比256%，上升趋势明显。

我们预计中国大陆占比仍将提升。图显业务层面，人均收入提升将带动PC需求增加；计算业务层面，目前中国大陆在AI算法、应用层面具有领先优势，自动驾驶场景也将率先得到释放。

4景嘉微：国产GPU领军

41 国内唯一商用GPU公司

景嘉微成立于2006年，公司主营业务分为图形显控、小型专用化雷达、GPU芯片三类。其中图显、雷达产品主要面向军用市场，GPU芯片产品包括JM5400、JM7200，其中JM5400主要应用于公司图显模块中，JM7200成功拓展了民用和信创市场。2021年9月，公司第三代GPU芯片JM9成功流片，目前正在进行性能测试。

42 两个系列、三款GPU量产应用

景嘉微已完成两个系列、三款GPU芯片量产应用。第一代GPU产品JM5400于2014年流片成功，主要支撑军用装备，已在国产军用飞机上实现了对ATI M9、M54、M72等芯片的替代；第二代产品JM7200于2018年8月流片成功，性能与 Nvidia的GT640显卡相近。在JM7200基础上，公司又推出

        什么是inplace operation：in-place operation在pytorch中是指改变一个tensor的值的时候，不经过复制操作，而是直接在原来的内存上改变它的值。可以把它成为原地操作符。

        pytorch中，通常加后缀“_”来表示原地运算符，例如add_()，或者python中的 “+=”。

这种情况通常是数据还在cpu上，又要用到gpu上计算导致的，可以尝试数据后面加上cuda()。

cpu上的tensor和gpu上的tensor是太一样的：PyTorch中的数据类型为Tensor，Tensor与Numpy中的ndarray类似，同样可以用于标量，向量，矩阵乃至更高维度上面的计算。PyTorch中的tensor又包括CPU上的数据类型和GPU上的数据类型，一般GPU上的Tensor是CPU上的Tensor加cuda()函数得到。通过使用Type函数可以查看变量类型。系统默认的torchTensor是torchFloatTensor类型。例如data = torchTensor(2,3)是一个23的张量，类型为FloatTensor; datacuda()就将其转换为GPU的张量类型，torchcudaFloatTensor类型。

尝试将torchLongTensor转换为：torchFolatTensor类型。

函数或者可调用对象使用时候没有加括号。

(1）只要是用到for循环都是在cpu上进行的，会消耗巨量的时间

(2)只要是用到生成矩阵这种操作都是在cpu上进行的，会很消耗时间。

(3)数据往cuda()上搬运会比较消耗时间，也就是说 cuda()会比较消耗时间，能去掉就去掉。

(4)在服务器上，如果可以在一块gpu上运行就不要采用net = nnDataParallel(net)，这种gpu并行方式比单个gpu要耗时。

关于断点调试： pycharm单步调试 - qq_33485434的博客 - CSDN博客

x= torchtensor(x)  ------>    x= xclone()

这个好奇怪，对于x= torchmatmul(x,one_hot_copy)， 只要提前把x和one_hot_copy后面加上float()就可以解决。

二维张量相乘： 二维矩阵相乘 AB: Amm(B), 多维矩阵相乘 AB: Amatmul(B), 注意需要long()数据类型。tensormul(tensor)

上海风虎信息作为深度学习服务器的专业厂商，专注于为科研院所和高校师生打造高性能GPU服务器，建议您选择深度学习服务器时需要注意以下几点：

1深度学习需要大量的并行计算资源，而且动辄计算几天甚至数周，而英伟达NVIDIA、英特尔Intel、AMD显卡（GPU)恰好适合这种工作，提供几十上百倍的加速，性能强劲的GPU能在几个小时内完成原本CPU需要数月完成的任务，所以目前深度学习乃至于机器学习领域已经全面转向GPU架构，使用GPU完成训练任务。

2如今即使使用GPU的深度学习服务器也要持续数天乃至数月（取决于数据规模和深度学习网络模型），需要使用单独的设备保障,保证训练任务能够小时长期稳定运行。

3独立的深度学习工作站（服务器）可以方便实现实验室计算资源共享，多用户可以在个人电脑编写程序，远程访问到深度学习服务器上排队使用计算资源，减少购买设备的开支并且避免了在本地计算机配置复杂的软件环境。

上海风虎信息专注于深度学习GPU服务器开发，根据TensorFlow，Pytorch，Caffe，Keras，Theano等软件计算特征，向您推荐入门级、中级、顶级GPU服务器典型配置，欢迎查阅，谢谢。