算法工程化工程师

优缺点分析

角色解读

• 纵向发展：成为算法工程化领域的资深专家，主导核心框架设计与优化
• 横向发展：向算法研究或全栈开发转型，结合业务需求推动技术落地
• 管理方向：带领算法工程化团队，负责技术选型和项目规划
• 将计算机视觉和图像处理算法在移动端、PC端和云端进行高性能部署与优化，确保算法在资源受限设备上高效运行
• 参与深度学习推理框架的建设，优化前向传播库的运算速度和内存消耗，支持多平台(ARM/x86/GPU)加速
• 与算法研究团队紧密协作，将原型算法工程化，解决实际产品中的性能瓶颈
• 扎实的C/C++编程能力，熟悉编译链接工具链(Makefile/CMake/Bazel)
• 深入理解计算机视觉和图像处理基础，熟悉至少一种GPU/CPU加速库(OpenCL/CUDA/Neon等)
• 了解主流端侧推理框架(ncnn/mnn/tensorRT等)的优化策略，具备多核多线程优化经验
• 熟悉Linux/Windows开发环境，有移动端(iOS/Android)或嵌入式开发经验更佳

申请策略

• 在面试中准备一个你曾做过的算法优化案例，展示从问题分析到方案实施的全过程
• 了解万兴科技的产品线（如视频剪辑、图像处理软件），思考算法工程化如何提升用户体验
• 突出C/C++项目经验，尤其是涉及算法加速或高性能计算的成果
• 展示使用Neon/CUDA/OpenCL等优化技术的具体案例，量化性能提升
• 如果有端侧推理框架(ncnn/mnn等)的贡献或使用经验，务必强调
• 列出参与过的图像/视频处理相关项目，说明你在其中的角色和贡献
• 复习ARM Neon指令集和多线程编程，练习使用perf等工具进行性能分析
• 尝试阅读并修改开源推理框架(ncnn/mnn)的源码，理解其优化思路

面试指南

• 以具体项目为例，遵循'问题→分析→方案→效果'的结构，突出技术细节和量化指标
• 对比不同方案时，从性能、功耗、兼容性、开发难度等维度分析
• 遇到困难时，展示你的排查思路和工具使用（如profiler、日志、代码审查等）
• 请描述你对一个卷积层在ARM设备上进行优化的具体步骤
• 如何选择不同加速库(OpenCL/Neon/CUDA)？它们的适用场景是什么？
• 你如何调试和定位移动端深度学习模型的性能瓶颈？
• 请解释ncnn和TensorRT的异同，以及各自适合的平台
• 在你过去的项目中，遇到过哪些内存或速度方面的挑战？如何解决的？