算法、推理、部署，面了40多个大佬的感想

今年三月份到现在陆陆续续面了40来个人，有实习生，有校招生，也有来社招的大佬们。面了挺久，有些总结和感想，发出来和大家交流交流，也趁着这个机会为之后参与校招的同学提供一些学习方向。

我面的岗位主要是算法工程师，也会面试一些推理相关的人。

简单从这三点说：

对候选者的要求
大家的水平
未来的看法

技术交流

技术要学会分享、交流，不建议闭门造车。一个人走的很快、一堆人可以走的更远。

资料、数据、技术交流提升，均可加知识星球交流群获取，群友已超过2000人，添加时切记的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：mlc2060，备注：加群
方式②、微信搜索公众号：机器学习社区，后台回复：加群

实习生

第一个是招实习生，实习生的简历，大家的学校感觉都不错，北邮、北航、东南大学、厦门大学、大连理工、西交西电等等，项目做的也都很多，有发表过一些顶会的也有其他不错期刊的。也有同时在其他公司实习的，这种有公司实习经历的同学我们肯定是优先考虑，毕竟在公司实习能有个完整的项目啥的，而且ssh、git、docker一些常用工具也都会用。

不过实习生的话，公司要求没有校招高，只要有对口的项目，代码能力过关，来了我们都愿意培养，一起搞个项目，学生嘛，学习起来很快，上手新项目多带带很容易就会了。重点说下代码能力必须要过关，你项目不多不要紧，你来了可以学，代码能力不行就会怀疑你项目是咋做的有没有自己亲自动手做的。

还有一个是要求实习生对基础理解的比较好些，项目虽然可以不用太多，但是你做过的项目细节，自己必须要清楚，深入问的时候能够回答上来，比如一个BN层，训练和推理有哪些表现不一样，有哪些参数需要更新等等，这些细节面试的时候大部分人都说不全，不能一次性说对。

总结下对实习生的要求：

项目可以不多，但是要精
基础知识要好
代码能力过关

就OK了，至于方向的话，只要是和算法CV相关就行。

校招生

校招生要求会高一些，校招生的学校和实习生没区别，也都挺好，不过看简历项目明显多了一些（最起码暑假阶段找了个实习，然后秋招面试的时候可以写上去），对于校招生来说，除了基础知识外，更要看项目是否匹配啥的。

因为现在深度学习算法咋说也火了好多年了，从神仙打架到诸神黄昏了。到现在简历上搞一些什么使用unet训练一个分割网络实现某个任务，或者说使用yolov7检测某个目标已经不是什么亮点了。不过这种也不是不行，但你需要更多的深度我才会感兴趣：

网络结构有无值得说明的改进
为什么这样做可以明确说出原因和数据证明
对使用这个方法以及和其他方法做过比较详细的对比，选择这个模型是有理由的

现在是大模型和多模态的时代，大模型确实在很多场景上都应用的挺好而且都能落地，比如chatgpt以及基于llama的各种开源模型在各种场景上的应用，隔几天就能出一个大模型、隔几天刷一次榜；多模态的话，gpt4已经可以看图生图了（gpt-plus用户可以体验），而且效果也比较惊艳，这种多模态潜力还是很大的，有很多开源的项目可以借鉴：

https://github.com/QwenLM/Qwen
https://github.com/IDEA-Research/GroundingDINO
https://github.com/Vision-CAIR/MiniGPT-4

因此也希望校招生有多模态相关的项目（实话实说，多模态和大模型对显卡的要求比普通项目更高，确实在学生时代搞还是挺难…），多模态，和CV结合再和NLP结合，都能搞出不错的项目。

比较简单点的多模态可以尝试下grounding dino，对于稍稍的大模型+目标检测来说是一个不错的点子：

话说回来，在面试今年算法校招生的时候，就更想要一些偏多模态，

至于部署工程方面，我也看到很多校招生有一些工程的项目，比如使用C++写个模型的前后处理，比如剪枝量化啥的，不过感觉都不是很深，比如关于剪枝的细节，问具体剪的是哪？剪网络层？剪通道？还是剪kernel，回答的都不是很清楚，还有量化，因为现在很多库对量化支持的很好，大家普遍调用一下API看到结果好就好了，也没有看细节，这个一问就问出来了（比如trt的量化，有api可以直接量化）。这些部署可以搞得再细一点，不过这些童鞋在大家都一样的基础上，你再会C++、再会一些部署方向的东西，比只会写python算法的肯定要强些。

推理相关

推理面了一些校招以及一些社招，大家的方向大概是这几种：

搞上层编译器的（类似于torch-tensorrt的利用pytorch生态和TensorRT生态的在nvidia显卡加速的编译器，不需要自己写codegen），会针对不同的后端（比如onnx和torchscript）写parser，针对计算图写一些pass；也有搞基于MLIR的编译器的，在自己的公司硬件上跑，前端中端后端需要都搞
搞推理框架的，就是优化训练和部署中的一些性能问题、精度溢出问题；有些公司喜欢搞统一的框架（训练和部署都解决了），不喜欢用现有的轮子，要自己造；对于加速类的推理框架，会实现比如模拟量化功能、精度对比功能等等
搞加速的，就是对任务中各种瓶颈的算子进行加速，C++转cuda，python转c++等等，使用C++封装一些项目blabla

有些社招的大佬做的比较深，细节说的比较好，也对新的技术（比如新显卡hopper架构）有探索的热情（面试过一些35+的大佬，热血激情不分年龄），在多个大厂待过，很强。