03-02 23:10 门头沟学院 机器学习
关注
面经分享- AI Infra蔚来汽车一面
继续来分享下之前的面经~欢迎友好讨论，信息共享
1. 详细对比CPU、GPU、NPU的硬件架构优缺点及适用场景
2. 为什么NPU适合AI计算？（Unified Buffer、矩阵加速单元）
3. NVIDIA GPU的内存组织架构和计算调度逻辑
4. 为什么要设计Warp？Warp Scheduler是如何工作的？（掩盖访存延迟）
5. GEMM（矩阵乘）在GPU上的经典优化手段（Shared Memory分块、向量化读写、Double Buffer）
6. 大规模Reduction（归约）操作怎么做？（Warp级归约 -> Block级归约 -> Global原子加 vs 多Kernel级联）
7. 多态的实现机制（编译时多态 vs 运行时多态）
8. 构造函数和析构函数可以是虚函数吗？为什么？
9. 继承关系下构造与析构的执行顺序。
10. 智能指针详解（unique_ptr, shared_ptr, weak_ptr及循环引用解决）
1. 详细对比CPU、GPU、NPU的硬件架构优缺点及适用场景
2. 为什么NPU适合AI计算？（Unified Buffer、矩阵加速单元）
3. NVIDIA GPU的内存组织架构和计算调度逻辑
4. 为什么要设计Warp？Warp Scheduler是如何工作的？（掩盖访存延迟）
5. GEMM（矩阵乘）在GPU上的经典优化手段（Shared Memory分块、向量化读写、Double Buffer）
6. 大规模Reduction（归约）操作怎么做？（Warp级归约 -> Block级归约 -> Global原子加 vs 多Kernel级联）
7. 多态的实现机制（编译时多态 vs 运行时多态）
8. 构造函数和析构函数可以是虚函数吗？为什么？
9. 继承关系下构造与析构的执行顺序。
10. 智能指针详解（unique_ptr, shared_ptr, weak_ptr及循环引用解决）
全部评论
相关推荐
查看12道真题和解析