感觉每天就是把算法剥离依赖，然后使用一些技巧进行加速(arm neon或者npu,dsp，GPU，访存优化)，或者反汇编看一下代码运行情况，分析代码，有什么计算复用了，剥离出来。没什么技术含量,很繁琐 。感觉像是时代的眼泪，只要CPU或者gpu速度快一点，编译器智能一些就失业了。

我的看法可能有点不一样，不看好这些事，我觉得这些特定的移植，优化，从广泛度来说，都会慢慢收窄，然后被淘汰或者只有极端情况才需要。

移植这种工作最终肯定会被编译器/优化器这类东西吃掉，现在正在发展的DL编译器的发展方向未来肯定会逐步渗透屏蔽很多底层的差异。

而优化是受限于资源的约束，所以需要单独处理，返回历史去看，以前有专门的数据库调优师，有专门的代码优化师，为了几KB的内存消耗而反复调整。

但是这些耗时耗力还费高端人力资源的事，远远不如多花三五毛钱升级1GB内存带来的收益明显。

当然不是贬低这些工作，而是行业的发展方向必然是标准化，低门槛，大众普及，这些特定的工作必然会被大浪潮以另一种解决方案的形式给冲掉。

在这个浪潮下这种特定的需求只会越走越窄，最后局限在特定领域。

题主没有说具体做哪个领域的算法，是CV，还是语音，还是NLP？ 算法移植和优化，但是看题主描述是要做ARM、Neon、DSP等工作，应该是做移动获取嵌入式平台的（不是做服务器端的）。其实是大部分算法工程师在实际项目中的主要工作，个人认为恰恰是目前做算法领域最有价值的工作。在这神经网络和深度学习泛滥的时代，永远不缺拿python撸几行代码就可以跑起来的人（高中生都可以干的活），最缺的的恰恰是把算法能真正落地化到项目中的工程师。做好算法移植和优化，通常需要有好几个方面的综合技术：

1、算法本身的原理和实现。例如：CV领域做人脸识别、图像分割、视频超分等，能确保自己能理解这些算法基本原理和优缺点，使用最基本的语言(C/C++、python的Numpy库）能够完整的实现这些算法，要能掌握算法实现的细节，哪些运算是最耗时的、哪些网络层次起到的效果是最关键的，对结果精度有明显的影响等。

2、在第一点的基础上，对现有算法和神经网络结构做调整，这个过程非常艰难和繁琐，要手工推理算法公式。移动端或者嵌入式端开发难度远远要大于服务器端，通常在服务器端用Python能快速跑起来的算法，在这些设备上压根就跑不动，通常要做模型剪枝、传统算法预处理、多种算法混合等处理，这个步骤是最考验算法能力的时候，不仅仅需要有该算法领域内的广度知识，还需要有相当的深度知识，对各个算法优劣有深入了解，需要平衡计算量和算法精度之间的临界点，这样才能设计出能真正跑得动的算法。

3、特别平台优化技能。题主提到的 NEON指令优化，只是一种，其实现在移动平台上，更多的是使用openCL来做优化，有些中低端芯片平台对于openCL支持度不太好，可能还需要使用 openGL ES来做卷积等处理，这就需要掌握 openCL、openGL ES、Vulkan等开发知识，光这里的每一项都需要花费不少的时间来学习和掌握。

总体来说，随着近些年神经网络和深度学习的发展，各种算法和神经网络模型层出不穷，最大的瓶颈其实不是在算法创新，而是在算法落地化，如何将现有的算法、进行改进和优化，真正在项目中进行落地化，这才是工业界最大的需要的，这也是各个公司对于算法人才最急迫的需求。之前我们项目中，有个低端的嵌入式平台上做实时视频超分，但是由于计算量比较大，帧率一直达不到客户满意的要求，整个算法部门几个同事，花了近2个月的时间做各种算法和工程化的优化，才达到客户要求的帧率。对于类似这些平台上的实时视频超分，能够跑起来只需要花费2分工作量，跑到24fps帧率，则需要花费4分的工作量，再提升到30fps帧率，看起来只有几帧提升，但是花费的工作量远远是前面的几倍。

做类似的问题可以参考：

只是做点算法移植和优化，没有什么挑战。至于是不是有前途，个人认为没什么大的前途。做为算法工程师，移植和优化是基础，还需要对算法做更新，形成新的算法。个人意见啊。

有前途，算法优化是无穷无尽的，只要你乐意去做

算法优化有点泛泛，小至一个程序，大至一个系统，是能提高技术门槛的地方

作为从业人员，先表明立场，算法移植和算法优化是计算机领域重要的技术，非常有前途。

尤其是AI、机器学习和大数据技术的发展，算法移植和优化变得更加重要。

算法移植指和算法优化都需要对算法的本质有深刻的理解，并能够运用多种数学方法和算法设计技巧。

算法移植和算法优化是需要深厚技术积累和数学基础的工作，如果你自认数学功底不错，对算法有浓厚的兴趣，喜欢既专又精，是一个非常值得探索的领域。