【2027届校招】深度学习模型开发工程师-mono

优缺点分析

角色解读

• 从算法模型开发向AI芯片软硬件协同优化方向深入，成为芯片算法专家
• 可向技术专家或团队负责人发展，带领团队攻坚模型优化难题
• 有机会接触自动驾驶等前沿领域，横向拓展到系统架构或工具链开发
• 负责深度学习算法框架（如mmdetection、detectron2）的实现与优化，提升模型训练和推理效率
• 针对地平线AI芯片，进行公开模型的开发、部署和极致性能优化，确保模型在芯片上高效运行
• 跟踪最新模型结构优化方法（如NAS、量化压缩），并推动相关技术在业务中落地
• 熟练掌握Python，熟悉C/C++，具备扎实的数据结构和算法基础
• 熟悉常见深度学习模型（分类、检测、分割）的训练技巧，并有实际调参经验
• 熟悉深度学习框架（PyTorch/TensorFlow）和算法框架（mmdetection/detectron2），有开发经验者优先
• 了解模型量化、压缩、NAS等优化技术，以及对芯片部署流程有认知更佳

申请策略

• 关注地平线招聘官网和校园宣讲会，了解部门具体技术方向
• 在面试中展示对AI芯片领域的好奇心和对模型优化的理解
• 突出深度学习项目经历，尤其是使用mmdetection/detectron2等框架进行模型训练、调优的实战经验
• 如果有模型量化、压缩或推理加速相关项目，一定要重点展示
• 强调编程能力，包括Python和C/C++，以及数据结构算法基础（可提及LeetCode等）
• 如果有开源贡献或算法框架二次开发经验，加分
• 提前熟悉地平线芯片相关的部署工具链（如工具链文档、模型转换流程）
• 学习模型量化、剪枝、NAS等优化技术，并尝试简单实践

面试指南

• 用STAR法则回答项目经历，突出你的角色、技术点、成果和量化指标
• 概念题先解释原理，再结合实践经验，最后说明应用场景
• 对于开放题，分点回答，展示逻辑性和思考深度
• 请详细介绍一下你参与过的深度学习模型训练项目，遇到过哪些困难，如何解决？
• 谈谈你对模型量化压缩的理解，以及常见的量化方法有哪些？
• 你熟悉mmdetection或detectron2的内部结构吗？如何自定义一个检测头？
• 针对AI芯片部署，模型需要做哪些优化？谈谈你知道的
• 如何权衡模型精度和推理速度？