Senior Performance Software Engineer, Deep Learning Libraries

优缺点分析

角色解读

• 可向首席性能科学家或底层架构师方向发展
• 也可横向拓展至AI编译器（如TVM/MLIR）或芯片架构设计领域
• 长期可成为分布式训练/推理引擎的技术负责人
• 负责深度学习框架底层算子（如矩阵乘法、卷积）的性能调优与内核开发
• 分析GPU计算瓶颈，协同编译器与硬件团队优化指令集与架构特性
• 维护CI/CD流程与回归测试，保障库版本稳定性
• 精通C++与高性能并行编程（OpenMP/pthreads/CUDA）
• 深入理解计算机体系结构与汇编语言
• 掌握性能剖析工具与内存/缓存优化技巧
• 熟悉线性代数与数值计算方法

申请策略

• 提前研究NVIDIA CUTLASS开源项目与TensorRT架构
• 准备针对具体算子（如GEMM）的优化思路
• 关注公司近期发布的GPU新架构（如Blackwell）
• 突出C++并发编程与性能调优实战案例
• 量化展示代码优化带来的吞吐量/延迟提升比例
• 列出参与的开源项目或底层算法实现经历
• 强化CUDA编程与GPU内存层次结构知识
• 学习LLVM/MLIR编译原理

面试指南

• 采用STAR法则（情境-任务-行动-结果）结构化回答
• 结合具体 profiling 数据说明瓶颈定位过程
• 强调“先正确后快速”的工程原则，并展示权衡取舍的思考逻辑
• 请描述一次你成功优化关键路径性能的经历，使用了哪些指标和工具？
• 如何平衡代码可读性、可维护性与极致性能？
• 面对多核/多线程环境下的数据竞争与缓存一致性，你会如何排查与解决？
• 复习计算机组成原理（流水线、分支预测、缓存层级）
• 动手复现经典算子优化案例