27届校招正式批-算法优化工程师

优缺点分析

角色解读

• 初级算法优化工程师 → 高级/资深算法优化工程师 → 技术专家/架构师
• 可深入特定硬件平台（如NPU、GPU）的优化，成为该领域的性能调优专家
• 也可能转向算法研发或AI系统架构设计，拓宽技术视野
• 负责将训练好的深度学习模型进行工程化部署，并针对特定硬件平台（如移动端、嵌入式设备）进行深度性能优化
• 参与算法模型的平台移植，确保模型在不同环境和设备上高效、稳定运行
• 需要与算法研发团队紧密合作，理解模型原理以找到最佳优化方案
• 编写高质量的代码，并维护相关的工具链和部署流程
• 深厚的深度学习理论基础，熟悉常用模型结构与训练流程，了解量化、剪枝等优化技术
• 精通Python和C/C++编程，具备优秀的代码能力和性能调优经验
• 熟练使用TensorFlow、PyTorch等主流框架，并有模型部署与优化的实际经验
• 了解Linux操作系统和嵌入式开发环境，能使用脚本语言进行工具开发

申请策略

• 研究虹软科技在计算机视觉、移动AI领域的产品和技术，了解其业务方向
• 在面试中，除了算法知识，要重点准备如何解决“性能瓶颈”的具体案例和思路
• 突出深度学习框架的使用经验，尤其是模型部署、性能分析或优化相关的项目经历
• 详细描述使用Python和C/C++解决具体工程问题的案例，体现编程功底
• 列举在Linux环境下进行开发、调试或部署的经验
• 如有量化、剪枝、推理引擎（如ONNX Runtime, TensorRT）相关经验，务必重点展示
• 深入学习至少一种主流深度学习推理框架（如TensorRT, OpenVINO, ONNX Runtime）的使用与原理
• 加强C/C++编程能力，特别是内存管理、多线程和性能优化方面的知识

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地描述项目经验，重点突出你在“行动”部分的技术选择和解决思路
• 结合具体技术名词（如量化、算子融合、内存优化）进行解释，并联系到实际应用场景
• 对于代码题，先理清思路，再编码，并主动说明时间复杂度和空间复杂度
• 请描述一个你参与过的深度学习模型部署或优化的项目，遇到了哪些性能瓶颈，你是如何解决的？
• TensorFlow/PyTorch模型是如何在移动端或嵌入式设备上运行的？有哪些常用的优化技术？
• 解释一下深度学习中的量化（Quantization）是什么？其原理和可能带来的影响是什么？
• 你如何衡量一个模型优化前后的性能提升？关注哪些指标？
• 请用C++实现一个简单的数据结构或算法题，并说明其时间复杂度