前文提到，我的秋季学期在无数简历石沉大海之后，以面挂了亚麻VO的惨淡结局收场。
我当时为了亚麻的VO改了回国的机票，所以回国的时间总共只有十几天。虽然我在回去之前发誓假期要好好刷题，不过大部分的时间都在外面浪，所以爆肝刷题计划失败（
虽然题没怎么刷，不过简历倒是投了不少。当时春招刚开启，每天都能看到有新的公司放出职位来。这次我在投简历的时候也不仅限于SDE了，DevOps，SRE相关的职位我也投了不少。
因为这期间投的大多是小公司，回复的速度比大厂快了很多。形式大多是先HR电面，再进行OA和技术电面。我在寒假期间收到了一个VO和1个HR电面，分别来自Ancestry和Shipt，再加上之前就已经约好的Naveego。相对来说都是比较冷门的公司，我把这些面试都排在了开学第一周。
我在一月初飞回美国之后在纽约玩了两天，在一天早上起来刷LinkedIn的时候看到了一个Quicken Loan的SDE职位，就顺手投了一个。令我没想到的是当天上午，在我坐在1线地铁上前往Battery Park的途中收到了HR发来的短信（是的，短信），和我约了HR电面，同样在开学第一周。
(more…)这几天RSS feed上几乎被各种年终总结刷屏了，不过我没有写年终总结的习惯，就写写这半年在美国学习和找工的总结吧。
我们专业的课程安排是每个人都是有相同的四门必修课（Data Structure & Algorithm, SoC Design, Object Oriented Design, Computer Architecture），在此基础上可以自由选择选修课，整个项目一共是30学分，也就是10门课。
国际学生在第一学期能且仅能选三门课，其中有两门（Data Structure & Algorithm, SoC Design）是被学校安排的。开学前我们曾经去问过SoC Design这门课能不能drop掉，等之后再选，被告知不行。最终我选的三门课是Data Structure & Algorithm, SoC Design, 和Database。
Roger Chen的Data Structure & Algorithm被往届学生评价为“值回票价的课程”。这门课确实很有用，尤其是对于我这样本科的数据结构基础打得并不扎实的学生来说，这门课覆盖了很多面试中高频但是之前没有深入了解过的内容，比如堆，树，等等。
(more…)回国的飞机25号下午从JFK起飞，我买了当天凌晨1:20从雪城出发的灰狗，打算第二天早晨到纽约之后在中城闲逛一会再坐地铁去机场。
因为我之前去纽约就是坐的灰狗，当时感觉体验还是很不错的，而且我确认了当天没有雨或雪，也就没有太担心延误的问题。
我当天提前一个小时左右到了灰狗站，然而等到1点半车还没到，过了一会车站工作人员广播说1:20的车延误了，让这班车的乘客去柜台。柜台的大哥跟我们说这班车从多伦多途经Buffalo开过来，但是不知道为什么他没有在这里停。所以如果要去纽约的话可以上2:15的那一班。
我都惊了，居然还有这种操作的？
(more…)最近一次Data Structure & Algorithm课程的作业是要求实现Dijkstra算法，并且其中的排序部分要使用最小堆来实现。
Dijkstra的基本思路如下
1. 初始时，S只包含起点s；U包含除s外的其他顶点，且U中顶点的距离为”起点s到该顶点的距离”[例如，U中顶点v的距离为(s,v)的长度，然后s和v不相邻，则v的距离为∞]。
2.从U中选出”距离最短的顶点k”，并将顶点k加入到S中；同时，从U中移除顶点。
3.更新U中各个顶点到起点s的距离。之所以更新U中顶点的距离，是由于上一步中确定了k是求出最短路径的顶点，从而可以利用k来更新其它顶点的距离；例如，(s,v)的距离可能大于(s,k)+(k,v)的距离。
4.重复步骤(2)和(3)，直到遍历完所有顶点。
我们的作业要求是在步骤2中的“选出距离最短的顶点”要用堆来实现。也就是说，我们需要维护一个最小堆，里面包含有起点到各个尚未访问到的顶点的（目前为止的）最短距离。每一次更新各个顶点到起点的距离时，都要更新堆中所有顶点的值。这样，每次寻找距离最短的顶点时，直接取出堆的根即可，省去了每次都要遍历一遍来寻找最小值。
我们要求的实现逻辑是这样的：维护一个如下的routing table，其中存储了每个节点的id，是否已经访问过，到出发点的最短距离，和该节点在堆中对应的位置。每次访问图中的一个节点时，都要在routing table中更新该节点及其所有后继节点的距离和其他信息。
| node | 0 | 1 | 2 |
| is_visited | true | true | false |
| cost | 0 | 1 | 3 |
| heap_position | 0 | 1 | 2 |
我写完提交之后，被告知我的solution在小用例上部分正确，大用例上报vector越界的运行时错误。
(more…)自从8月中来到雪城之后，虽然同在纽约州，但是和纽约市还有近300mi的距离。安排好入学和生活上的事情之后，我终于在9月初如愿去了纽约。
我乘坐灰狗巴士从雪城出发，一共大约5小时的车程。灰狗的舒适程度比我预想的要好不少，车上有WiFi，电源插座和卫生间。在路上看到对面的高速公路上的一辆装着大型机械的卡车，挂着Oversize Load的旗子，和美卡里面的Heavy Cargo Mod一模一样，太帅了。
大约中午12点的时候巴士到达了Port Authority的巴士站。车站位于曼哈顿中城的正中心的地下，出门之后的斜前方就是纽约时报的总部。纽约时报的总部原本位于时报广场，后来才迁到这里。
在诸多人的安利下，趁着Labor Day的长周末去了趟New York State Fair。纽约的State Fair是全美国第一个大规模的农畜产品展，最早一届是在1841年，就是在雪城举办的。每年只开两周，今年是从八月22号开到九月3号，错过了只能再等下一年。
因为当天是本年度State Fair的倒数第三天，再加上是个周末，在高速上就开始堵车，堵了超过3mi的路程。路边有几个房车营地，里面停满了房车。恐怕真的有不少人是拖家带口开着房车过来的。
从10号门进入Fairground之后，首先看到的是一个牛棚。
我们在路上堵着的时候，同行的学长跟我说：
“我去年来的时候，他们在牛棚里搭了个摄像头在YouTube上直播。他也不说话，就播那个牛。”
“美国人真的是…他们就过来看看牛，看看猪赛跑，就觉得特别快乐。我去年来的时候，牛棚里边有一个看台，我去的时候就看见一个人坐在那看牛，等我下午走的时候他还在那看牛。”
(more…)今天是我到达美国的整一个月，我终于把这篇鸽了好几周的文章写完了。
前文提到，经过近两年的准备和申请，我取得了雪城大学MSCE项目的录取。
8月14号，我从首都机场登上了飞往纽约的航班。经过13个小时的飞行，飞机在JFK机场停稳的时候已经将近3点了，飞往雪城的航班在两小时后起飞，于是只能在机场里一路狂奔，连一张照片都没来得及拍。幸运的是所有持F1签证的学生都被分流到一个单独的房间里，检查护照和I20等，平均每个人只用了不到一分钟。
美国的安检看起来很严格，和国内一样需要把液体和电子产品拿出来单独过机器，还需要脱掉鞋和外套。然而，如果注册了TSA Precheck，则不需要这一系列繁琐操作。总之不充值是不会变强的。
总而言之，一番折腾之后终于顺利到达了JetBlue的登机口。机型是巴航工业的E190，比320和737稍小一圈。
前一段时间，我将我使用的云存储从自托管的NextCloud切换到了OneDrive。就在前两天，我在使用Time Machine在两个macOS设备之间迁移数据时，OneDrive中大量的数据丢失，原本25G的数据仅剩下了3个G。
本文记录了该问题发生的过程，问题发生后的解决方案及可能导致这个问题的原因。
我使用的macOS版本为10.14.5 (18F132) ，OneDrive客户端版本为19.062.0331.0010。
我的OneDrive上大约存储了23G的数据，为了节省硬盘空间，大部分的文件都使用文件随选释放了本地空间，只有少量数据存储在本地的磁盘上。
两天之前我购买了2019款MacBook Pro，并使用Time Machine迁移了旧设备的数据。迁移完成后，OneDrive一直处于正在同步状态，我认为是在进行重建索引一类的操作，所以没有特别在意。期间我收到了如下图所示的来自OneDrive的邮件，提示我从OneDrive删除了大量文件。
(more…)2019Fall的申请季基本结束了。对于各位CS玩家来说，今年申请季非常惨烈。在此记录一下我在这个申请季中的一些感想和踩过的一些坑。如果你也是一名在准备申请美国CS master的准留学生，希望这篇文章能够或多或少给你一些启发。
我的申请结果如下：
AD
REJ
前期的准备基本在于标准化成绩，GPA，各种竞赛实习，选校等等。
我从2017年暑假开始准备托福起一共考了三次，分别是100->101->108。总体来说还算顺利。相比之下，GRE考试就艰难了很多。我一共考了4次GRE，分数分别为153+160，153+166，149+162和150+164，呈现出非常迷的波动。然而AW则非常稳定，每一次都是3.5。
我从2018年寒假开始学习GRE，背单词，刷题，从零开始准备到首考大约经过了3个月的时间。4月份首考GRE出现了严重翻车：我理解错了一道数学题的意思，结果在一个题上卡了太长时间导致数学没有做完，只得了160。
(more…)动态规划是一种分治(Divide&Conquer)的思想。在将大问题化解为小问题的分治过程中，保存对这些小问题已经处理好的结果，并供后面处理更大规模的问题时直接使用这些结果。
适用于动态规划的问题，需要满足最优子结构和无后效性两种情况。
动态规划最重要的两个要点在于找到状态和状态转移方程，也就是递推关系。
如果不记录每一步的结果，动态规划的时间复杂度与Brute Force无异。动态规划实质上是一种以空间换时间的方法，通过存储过程中每一步骤的状态来降低时间复杂度。
我们以Leetcode的Climbing Stairs题目为例：
当前位置为第i级台阶时，有两种途径到达当前的状态：
i-1级台阶走一步而来i-2级台阶走两步而来因此，到达第i级台阶的途径为到达第i-1级台阶和到达第i-2级台阶的途径数量之和。我们可以得出如下的状态转移方程：