COS 访谈第 26 期：寇强

寇强 / 王小宁

审稿：成慧敏；编辑：彭晨昱

【COS 编辑者按】受访者：寇强采访者：王小宁审稿：成慧敏

寇强，Rcpp 核心团队成员。本科就读于中山大学，现为印第安纳大学博士在读。

小宁：师兄，请先做一个简单的自我介绍。

寇强：我本科是在中山大学就读的，因为本来我是读生物的，后来改去读统计，所以在中大呆了 5 年。现在我在美国的印第安纳大学读博，做的是一个很小众的方向，就是串联质谱的算法和软件开发。国内中科院计算所贺思敏老师的组也在做这个，其他的组我就不太了解了。

小宁：你最早是学生物的，为啥后来改学统计了呢？

寇强：因为学生物学不下去了。2010 年暑假，我在上海中科院植生所呆了两个月，当时是带着体验生活的态度去的，想提前体验一下读生物研究生的生活会怎么样。体验完之后，我就发现我再也不想读生物了。大三是我大学生活最混乱、很难形容的一个阶段。大二的时候我在学校一直在尝试组一支 iGEM 队伍去 MIT 比赛，不过当时似乎搞得太高调了。后来等大三我从植生所回到学校之后，我就完全不想碰和生物相关的事情了。但我觉得 iGEM 这事不能这么黄了，整个状态就非常混乱。就在这个时候，我认识了王学钦老师。王老师是做生统的，当初他在中大搞了些活动，于是就认识他了，王老师是我本科时代最大的贵人之一。但老实说，我统计学得真不怎么样，你还是把我当个码农好了。

小宁：你从什么时候开始接触和使用 R 的呢？

寇强：2010 年吧，也就是我大三那个时候，差不多到现在六年左右了。按小学接触 logo 开始，我算接触编程很早的，但大三之前没有真正认真地写过代码。大三开始用 R 写代码，之后差不多一直在王老师那里干活。2014 年，我当时已经在美国了，那年夏天，我去参加 GSOC(Google Summer of Code)。当时搞了一个很小的项目，很重要的一部分就是用 R 调用 C++ 代码。那时我就开始用 Rcpp，但是写着写着你就会发现一些问题，这些问题没有文档解释，网上也未必有解答。之后我就开始看 Rcpp 的源代码，给作者发邮件。Dirk（注：Dirk 是 Rcpp 的作者）回答问题详细的程度超出我的想象，他讲得非常详细，每次有问题问他，他都会很细心地回复。后来就到 2015 年我在西雅图实习的时候了，当时我已经在 Rcpp 里折腾了一些东西了，对于别人提出的问题，我先去回答一下，或者别人报了一些 bug 之后，我尝试去补一下。那年夏天，Rcpp 团队有两个人就已经不怎么活跃了，后来 Dirk 就把我招进来作为补充。Rcpp 现在主要以维护为主了，已经不再增加新的东西了，很重要的一个原因就是依赖它的包太多了。如果我们想做点新东西，我们宁可单独去开发一个新的包，现在 Rcpp 每个月差不多有四十万下载量，大约有 800 到 1000 个其他的 R 包依赖它。

小宁：对于国内的 R 语言爱好者，你有没有好的建议？

寇强：我个人的建议其实就一个，就是无论你用哪一个包，只要你发现出问题了，就不要有任何顾忌，要去 github 上提问，或者直接发邮件给原作者就行了（哈哈哈，这是一个很好的建议）。原来有一段时间，我有点不好意思，但后来发现发完邮件之后大多数作者回答得非常详细，后来我就觉得有问题就直接问作者吧。

小宁：2017 年，你有什么新的计划吗？

寇强：为了按时毕业，我得把毕业需要的东西搞出来，然后另外一个计划就是 MXNet 了。MXNet 的 R 接口其实都荒废半年多了，因为我实在没时间搞。现在对我来讲，毕业依然是第一位的。如果第四年把毕业论文需要的结果做出来，第五年我有大把时间来搞这些东西。然后 17 年的话可能还要再做一次 GSOC 的导师（mentor），这个是非常值得推荐的一个活动。我个人觉得 GSOC 是为学生和开源社区服务的，2013 和 2014 年我做了两年学生，然后 16 年开始做导师。参与的学生不是为 Google 工作，而是为某一个开源社区工作的，但是 Google 为了鼓励学生做这个事情，会为你在夏天的工作提供大约 5000 美元的补贴。目前国内参与这个项目的人不多，但如果有兴趣的话我建议同学们参加一下，基本上可以保证的是，R 肯定会是被资助的开源社区之一。从往年来看，每年差不多有 15 到 30 个学生名额。2016 年 R 的 GSOC 项目里应该有 3 个是来自国内的，其他绝大部分学生是印度人。

小宁：可以谈一谈你在实习中的一些心得体会吗？

寇强：其实没啥心得体会。我第一个实习的公司是 Dato。2015 年实习的时候，当时还叫 Dato，后来 16 年 8 月份的时候被苹果收购了。Dato 最重要的产品是基于硬盘的一个 data frame，叫 Sframe。这是我所知道的扩展性最好的 data frame，Dato 的创始人还在北京搞过沙龙。比如说你在 R 里面，你想把一个数据集读进一个 data frame 再操作，这个数据集可能有 1T，多数人的机器是没有那么大的内存的，但是如果用 Dato 技术的话，你大概只要几个 G 的内存就可以了。（现在有跟 R 直接相关的包吗？）曾经有过，因为那部分是我写的，但后来不知道为什么我在网上找不到了。我下一个实习的公司是 H2O, 这个公司以前叫 0xdata，这两个名字也都不是很有存在感。 H20 和 Dato 做的有点类似，也是提供做机器学习的工具。我之所以去 H2O 是因为这个公司里面有很多我们经常听到的大牛，比如说 data.table 的作者 Matt 就在 H20。ggplot2 的前两个字母 gg 的意思就是 grammar of graphics 的缩写，这本书的作者 Wilkinson 也在 H2O。斯坦福的 Trevor Hastie 和 Robert Tibshirani 也经常以顾问的身份出现在 H2O，这两位我相信学统计的都知道他们的名字。另外一个顾问是 Boyd，学过优化的应该也都听过这个名字。我暑假做的是关于他们 deep learning 模块的一些事情。他们公司的 deep learning 部分之前是没有 GPU 支持的，暑假实习时，我用 MXNet 作为一个 GPU 的后台来支持 deep learning 模块，同时尽量保证新加的模块可以和 H2O 现有的平台整合起来，就是他们现在的 deep water。

小宁：你是如何知道统计之都的？以及有什么要和统计之都的小伙伴们分享的呢？

寇强：我应该是通过吴喜之老师知道统计之都的，因为吴老师以前在中大上过一个学期的课。你现在去华统网站，首页上应该还有吴老师的照片。要说建议的话，我还希望统计之都能鼓励更多的朋友参与到 R 相关的开发中来，比如 GSOC 或 R-consortium 的一些项目。

寇强 http://weibo.com/thirdwing?is_all=1，Rcpp 核心团队成员。本科就读于中山大学，现为印第安纳大学博士在读。中国人民大学统计学院博士，喜欢跑步，研究兴趣为抽样技术和机器学习。王小宁