超威半导体
AI Framework Engineer
AI Framework Engineer
发布于 大约 9 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Cuda
Hip
Llvm
Pytorch
Rocm
Tensorflow
分布式计算
深度学习框架
编译器优化
值不值得投
79综合评分
综合评分 79
AMD AI框架工程师，技术深度极高、成长性顶级，行业使命感强，但具体工作生活平衡情况未知。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
55 个在招 · 其中机器学习工程 6 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 350 个在招
职位详情
关于这个职位
该职位是AMD深度学习框架团队的核心工程师，主要负责针对AMD GPU优化和开发深度学习框架（如TensorFlow、PyTorch）
工作涉及GPU内核优化、分布式计算环境下的模型训练与推理性能提升，以及与内部GPU库团队和开源社区协作，确保优化代码的顺利集成
最低要求
计算机科学、计算机工程、电气工程或相关领域学士学位和/或硕士学位
年以上技术软件开发专业经验，专注于GPU优化、性能工程和框架开发
工作职责
优化深度学习框架：在开源仓库中增强和优化针对AMD GPU的TensorFlow和PyTorch等框架
开发GPU内核：创建并优化GPU内核，为特定AI操作最大化性能
开发与优化模型：设计并优化专门针对AMD GPU性能的深度学习模型
与GPU库团队协作：与内部团队紧密合作，分析和提升AMD GPU上的训练和推理性能
与开源维护者协作：与框架维护者互动，确保代码变更符合要求并集成到上游
在分布式计算环境中工作：在扩展（多GPU）和扩展（多节点）系统上优化深度学习性能
利用尖端编译器技术：利用先进的编译器技术来提升深度学习性能
优化深度学习流水线：增强整个流水线，包括集成图编译器
软件工程最佳实践：应用健全的工程原则，确保解决方案的健壮性和可维护性
优先资格
GPU内核开发与优化：有使用HIP、CUDA和汇编（ASM）为AMD GPU设计、优化深度学习GPU内核的经验
对AMD架构（GCN， RDNA）和低级编程有深入了解，能利用Compute Kernel (CK)、CUTLASS和Triton等工具最大化AI操作性能，实现多GPU和多平台性能优化
深度学习集成：有将优化的GPU性能集成到机器学习框架（如TensorFlow， PyTorch）中以加速模型训练和推理的经验，专注于扩展性和吞吐量
软件工程：精通Python和C++，具备调试、性能调优和测试设计经验，以确保高质量、可维护的软件解决方案
高性能计算：具有在异构计算集群上运行大规模工作负载的扎实经验，能优化效率和可扩展性
编译器优化：对编译器理论和工具（如LLVM和ROCm）有基础理解，能用于内核和系统性能优化
AI 洞察
优缺点分析
优点
- 直接参与全球顶级芯片公司的AI核心软件栈开发，技术影响力大
- 工作涉及底层系统、编译器和框架等深水区，技术成长天花板高
- 能与全球顶尖的工程师和开源社区合作，视野开阔
- 公司为行业巨头，平台稳定，资源丰富
- 技术难度极高，需要同时掌握硬件、编译器、框架等多个领域的深层知识
- 适合对计算机体系结构、高性能计算和底层系统优化有浓厚兴趣，并具备扎实C++/GPU开发基础的工程师
缺点 / 挑战
- 作为挑战者，推动AMD GPU的软件生态建设任务艰巨，需要解决大量兼容性和性能问题
- 与全球维护者协作，沟通成本较高，需要处理复杂的代码集成和社区关系
- 追求技术深度，愿意挑战行业级难题
角色解读
- 技术专家路线：深耕AI编译器、GPU架构或分布式训练系统，成为特定领域的权威
- 技术管理路线：带领团队负责整个深度学习软件栈的优化，推动技术方向
- 跨领域发展：向AI算法、芯片设计协同或高性能计算解决方案架构师方向拓展
- 负责优化和开发面向AMD GPU的深度学习核心框架与库，提升AI模型训练和推理效率
- 设计与优化GPU内核，通过底层编程和编译器技术最大化特定AI操作的硬件性能
- 与全球开源社区维护者协作，将性能优化成果集成到主流机器学习框架中
- 在多GPU和多节点分布式系统中，解决大规模深度学习应用的性能瓶颈
- 精通C++和Python，具备扎实的Linux环境开发和底层性能调优经验
- 深入理解GPU架构（AMD RDNA/GCN）和编程模型（HIP/CUDA），具备GPU内核开发与优化能力
- 熟悉主流深度学习框架（PyTorch/TensorFlow）的源码与内部机制，能进行深度集成和优化
- 了解编译器技术（如LLVM/ROCm），具备高性能计算和大规模分布式系统经验
申请策略
- 仔细研究AMD ROCm生态系统和最近的AI软件产品发布，在面试中展现对平台的了解和思考
- 准备一个如何为特定AI算子设计高效GPU内核的深度技术案例，从问题分析到实现细节
- 关注AI框架和GPU计算领域的最新技术动态，在面试中展示你的技术热情和前沿视野
- 突出GPU内核开发、深度学习框架（PyTorch/TensorFlow）优化或贡献的具体项目与成果
- 详细描述使用HIP、CUDA、LLVM/ROCm等工具进行性能分析和优化的经验
- 展示在开源社区中的贡献（如PR、Issues讨论）或参与的大规模分布式训练项目经验
- 强调解决复杂技术问题的案例，体现分析能力和工程实践
- 深入学习AMD GPU架构（RDNA）及相关开发工具（ROCm， CK），可利用AMD官方文档和开源项目实践
面试指南
- 使用STAR原则（情境、任务、行动、结果）结构化描述项目经验，重点突出技术决策和量化成果
- 对于系统设计类问题，先阐述思路（分析瓶颈、确定方案），再讨论具体技术点（内存优化、计算/通信重叠等）
- 结合对AMD软件栈（ROCm/HIP）和开源框架的理解，给出有依据的、具体的解决方案
- 请描述你优化过的一个最复杂的GPU内核或深度学习框架组件，遇到的主要挑战和解决方案是什么？
- 如何评估和改进一个深度学习算子在多GPU环境下的扩展性？
- 如果让你为PyTorch添加对AMD GPU某个新特性的支持，你会如何设计和实施？
- 你如何理解编译器优化（如LLVM IR）在加速深度学习模型中的作用？
- 请解释HIP和CUDA的主要区别，以及在为AMD GPU编写高性能内核时的关键考量
职位点评
薪资福利75
成长发展95
工作生活60
使命价值85
薪资福利
75中等
作为大型跨国公司的技术岗位，薪酬福利体系较为完善，且招聘时可能具有市场竞争力，但具体薪资未在JD中披露。
薪资信号未披露（AI估算：25K-45K/月）
福利待遇AMD benefits at a glance
成长发展
95较高
职位涉及GPU内核、深度学习框架、编译器等多个技术领域的前沿和深度融合，技术深度和广度俱佳，成长空间极大。
技术前沿前沿/新兴技术
技术栈HIP、CUDA、LLVM、ROCm、PyTorch、TensorFlow、GPU Kernel、Deep Learning
业务类型profit_center
工作生活
60中等
JD未明确提及工作模式和WLB相关信息，作为技术密集型核心研发岗位，工作强度和自主性需要入职后确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
参与构建AI计算基础设施，推动硬件生态发展，对加速AI应用有直接贡献，行业前景好，技术使命感强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号加速下一代计算体验、解决世界上最重要的挑战
创新程度开拓性创新（行业首创）
超威半导体 的其他在招职位
相似职位推荐
Watch Jobs