GPU Compiler Development Engineer

优缺点分析

角色解读

• 从GPU编译器工程师逐步成长为编译器架构师或技术专家，主导核心模块设计
• 横向拓展至AI框架优化、深度学习编译器领域，成为全栈性能优化专家
• 在AMD内部可通过参与不同项目（如ROCm、MIOpen等）晋升为高级工程师或团队Lead
• 负责在MLIR框架中实现ONNX算子的下放和单元测试，确保GPU上的高效执行
• 与AMD架构专家合作，参与未来GPU产品的设计与优化，将算法创新转化为代码
• 对现有性能问题进行分析、调试和优化，缩小与竞品运行时的差距
• 参与新硬件（ASIC）的启动和验证工作，确保软件栈与最新硬件兼容
• 扎实的C/C++编程能力和面向对象设计能力，能编写高质量、高性能代码
• 熟悉编译器技术，特别是MLIR或LLVM框架，理解中间表示和优化流程
• 掌握GPU编程模型（如HIP/CUDA）和并行计算原理，有性能分析和优化经验
• 了解ONNX Runtime和深度学习推理流程，对AI加速有浓厚兴趣

申请策略

• 申请时附上一份简洁的技术博客或开源贡献说明，展示对编译器技术的热情
• 面试前了解AMD ROCm生态和ONNX Runtime路线图，准备1-2个相关技术问题的解决方案
• 突出编译器相关项目经历，如参与过MLIR/LLVM开发或贡献，或实现过GPU算子优化
• 强调C/C++编程能力和代码质量意识，可附上GitHub链接展示高质量代码片段
• 如有AI推理加速或ONNX Runtime经验，需重点描述具体优化成果（如性能提升百分比）
• 体现跨团队合作和英文沟通能力，特别是参与开源社区或国际团队的经历
• 系统学习MLIR框架，通过官方教程和Toy语言示例掌握Dialect和Pass开发
• 熟悉AMD ROCm平台，尝试在AMD GPU上部署模型并分析性能，积累实操经验

面试指南

• 对于设计类问题：先阐述核心概念，再结合具体项目或场景说明实现细节，最后总结效果
• 对于优化类问题：明确分析瓶颈（计算/访存），提出优化策略（如向量化、共享内存、算子融合），并讨论权衡
• 对于经验类问题：用STAR法则（情境、任务、行动、结果）结构化描述，突出个人贡献和量化成果
• 描述MLIR中Dialect和Pass的工作原理，并举例如何自定义一个Pass
• 解释GPU内存层次结构（全局内存、共享内存等）对算子性能的影响
• 如何优化一个ONNX算子（如Gemm或Conv）在AMD GPU上的性能？请给出具体步骤
• 比较LLVM和MLIR在编译器开发中的优缺点，以及在GPU编译器中的应用场景
• 你过去如何调试一个复杂的性能问题？请分享一个具体的例子