计算机硕士课程

默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。

1. 1

   Project Framing 与问题公式化

   课程一开始通常不是直接写代码，而是先把研究问题形式化。官方 overview 特别提到要把问题表达成 digital computing 可访问的操作序列，这意味着第一步是任务分解、变量定义、输入输出边界和数值流程设计。

2. 2

   Mathematica 与科学问题原型化

   在正式进入高性能实现前，课程会先强调原型化与验证思维。Mathematica 这类工具的价值在于快速验证公式、探索数值行为，并把计算流程说明清楚，而不是一上来就陷入优化细节。

3. 3

   Numerically Intensive Programming in C/C++/Fortran

   进入核心实现阶段，讨论为什么数值密集型 computation 需要更接近底层的语言，以及如何在性能、可读性和可维护性之间做取舍。对许多学生来说，这一段是从“能跑”转向“跑得对、跑得稳”的关键。

4. 4

   Modularization 与 Scientific Libraries

   课程会强调模块化设计，既包括自己写 procedures，也包括正确调用现有高性能库，例如 BLAS 和 LAPACK。重点不是重复造轮子，而是学会把复杂计算任务拆成可复用、可测试、可组合的模块。

5. 5

   Verification, Testing 与 Instrumentation

   官方 overview 特别提到 code instrumentation，用于验证正确性和监控性能。这一周的核心是建立测试与验证意识：在科学计算里，结果“看起来合理”不等于实现正确，你需要能证明程序在已知输入下行为可信。

6. 6

   Profiling with gprof

   当工具能够正确运行后，课程通常会进入 profiling。gprof 之类的工具帮助你识别瓶颈，理解时间究竟花在什么地方，从而避免盲目优化。

7. 7

   Optimization 与 Performance Tuning

   这一周会把 profiling 结果转化为具体优化动作，讨论算法选择、内存访问、函数调用开销和数据结构设计如何影响性能。真正的目标不是机械追求更快，而是让优化与项目目标保持一致。

8. 8

   Parallelization with OpenMPI

   官方明确提到 OpenMPI，因此课程后半段通常会涉及并行化。重点在于识别哪些任务适合并行、并行后通信成本如何影响收益，以及如何避免把复杂度引入得比性能收益更大。

9. 9

   Visualisation with Rendering / Graphics Tools

   科学计算的结果不仅要算出来，还要能被人理解。课程会引导学生用 Geomview、OpenGL 或其他图形工具做数据可视化，把数值结果转化为可解释的图像与结构。

10. 10

    Interfaces through Python or Matlab

    除了核心计算引擎，课程也关注与用户的交互。通过 Python 或 Matlab 等工具建立界面和调用层，可以让研究代码更易于演示、复用和交付，这也是“研究脚本”与“研究工具”之间的重要差别。

11. 11

    LaTeX Documentation 与 Reproducibility

    官方 assessment 明确要求提交 LaTeX 格式文档，说明设计、操作和限制。因此这一阶段的重点不是单纯写报告，而是把软件架构、使用方式、样例输入输出和局限性讲清楚，形成真正可复现的 project package。

12. 12

    End-of-Semester Project Integration

    最后一周通常围绕项目整合与最终交付：整理代码、验证 sample input/output、核查编译和执行流程、润色文档、说明性能和限制。高质量提交的关键往往不是多写功能，而是让工具在设计、实现、验证和说明四个层面都闭环。