深度学习工程师秘而不宣的代码重构三原则

　　跟产品吵完第三轮之后，我蹲在茶水间把那杯凉透的茉莉花茶一口闷了——杯底还浮着半片没化开的茶包，像块没跑通的loss curve。PM说“用户等不及”，我说“模型等不起”，他手指在AirPods壳上敲了三下，我就知道这事儿没商量余地了。可你猜怎么着？我们压根不是在争要不要重构，是在争“哪天凌晨两点重构”。

　　首屏救火是假动作。真火在checkpoint里，在梯度累积步数跳变的log里，在那个被注释掉但又悄悄被import进inference pipeline的legacy_preprocess_v2.py里。2026年7月那次线上OOM，查到最后是DataLoader的num_workers=0在Docker容器里偷偷fork了十八个子进程——谁改的？git blame显示是前端同事昨天顺手merge的MR，标题写着“fix CI lint”，描述栏空着。我原以为是他误操作，结果翻他桌面录屏才发现：他切窗口前刚点了“停止录制”，屏幕右下角时间戳停在下午三点零七分，而commit hash timestamp是三点零九分。两分钟，够干啥？够删一行config，够注释掉一个seed，够让训练跑偏三个epoch。

　　第一个原则：删掉所有带“temp_”前缀的模块，不管它是不是还在用。上周我删了temp_loss_wrapper，结果后端连call了四小时才报错，报错堆栈里还裹着去年双十一大促遗留的fallback logic。这个我敢打包票——你留着它，就等于给grad_fn埋了颗哑弹；你删了它，至少哑弹炸了你能听见。但别指望CI给你兜底：Lighthouse跑分截图发到群里没人回，不是因为忙，是因为所有人默认“那个红框里的TTI不归DL管”。对，就那个，红色边框、字体12px、缩略图左上角还带水印的截图。发完三分钟，群里新消息刷掉，连同那个warning一起沉了。

文章配图，仅供参考

　　第三个原则：所有loss函数签名必须显式声明device参数，哪怕你硬编码成‘cuda’也得写出来。别笑，真有人用torch.nn.CrossEntropyLoss()直接接output和target，结果在DP模式下GPU0的logits和GPU1的target对不上号，梯度全飘了。我亲眼见一个case，debug三天，最后发现是某次merge把device='cuda'删成了device=device，而那个device变量是从model.device读的——但model刚被.to('cpu')过。这种细节删掉？意思完全不受影响。就像我桌面上那个没关的录屏，声音早断了，画面卡在VS Code左侧边栏展开到third_party/目录那一帧，光标在requirements.txt第8行闪着，那行写着torch==2.3.0+cu121。谁写的？我不知道。谁确认的？没签MR。但它就在那儿，闪着，没关，也没人提。

　　中间那两天，我其实试过拉个共享文档列checklist，结果PM在上面批注：“建议聚焦交付节奏”。我回了个ok，然后把他那段批注复制粘贴进了自己的本地note.md，加了行注释：「KPI折算公式里，“交付节奏”=（实际交付时间-预估时间）×负权重」。这玩意儿我也不细算，反正是个虚数，跟loss.backward()之前那个detached tensor一样，看着在，但不参与求导。

　　所以你看，所谓优胜劣汰，根本不是代码本身在淘汰——是人先淘汰了自己耐心。有人删了temp目录第二天就甩锅给data pipeline，有人重命名layer之后改了three_times_mask逻辑但忘了同步mask cache key，还有人写完device参数转身去倒水，回来时发现CI已经fail了六次，而倒水那人用的是一根白色Type-C线，不是之前那根黑色的，线头还换了角度——对面工程师换了一根充电线，我注意到这事纯属因为那线插在显示器USB-C口里，挡住我一眼就看到的failed job badge。现在想想，挺滑稽的。

　　我下周打算把那个block_n命名规则写进pre-commit hook，试试看能不能拦住一半的手抖。至于要不要推到公司infra层？我说不准。先试试。不行再说。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!