软件工程师 - 性能优化 - 上海嘉定

优缺点分析

角色解读

• 技术深耕：成为自动驾驶性能优化专家，主导核心模块的极致优化
• 架构演进：转向系统架构设计，负责感知系统整体性能架构
• 管理方向：带领性能优化团队，从技术骨干成长为技术管理者
• 负责自动驾驶感知模块的性能优化，通过算法和工程手段提升模型推理速度
• 使用CUDA、TensorRT等工具对深度学习模型进行加速，确保实时性
• 参与分布式训练和模型并行方案的设计与实现，提升训练效率
• 维护和优化现有代码，解决性能瓶颈，保障系统稳定运行
• 扎实的计算机体系结构知识，理解CPU/GPU内存层次和并行计算原理
• 精通至少一种深度学习框架（PyTorch/TensorFlow），有框架开发经验
• 熟悉CUDA编程和TensorRT优化，能够进行算子级调优
• 具备分布式训练和模型并行经验，了解数据并行、模型并行策略

申请策略

• 了解小马智行的技术栈和产品方向，在面试中展现对自动驾驶领域的热情
• 准备一个完整的性能优化案例，从问题分析到方案实施再到效果评估
• 突出深度学习框架开发经验，尤其是对框架底层算子的修改或优化
• 详细描述CUDA/TensorRT优化项目，量化性能提升（如延迟降低百分比）
• 展示分布式训练或模型并行相关项目，说明你的角色和贡献
• 如果有编译器或操作系统内核经验，务必强调
• 深入学习CUDA编程和TensorRT，可以完成一些官方示例并尝试优化
• 熟悉Nvidia Xavier/Orin平台，了解其硬件特性和优化技巧

面试指南

• 对于优化类问题，采用'问题分析-方案设计-实施-效果评估'的结构，突出量化结果
• 对于原理类问题，先给出定义，再结合实际项目经验说明应用场景
• 对于开放性问题，展示系统性思维，从多个维度（算法、工程、硬件）分析
• 请描述你如何优化一个深度学习模型的推理速度？
• CUDA编程中，如何优化内存访问模式以提高性能？
• 解释TensorRT的工作原理，以及如何利用它进行模型优化？
• 在分布式训练中，数据并行和模型并行各有什么优缺点？如何选择？
• 你如何定位和解决一个性能瓶颈？请举例说明