公司未注明
AI Infra面经
完整信息
本篇目录
继续来分享下之前的面经~欢迎友好讨论，信息共享
1️⃣算法题：手撕内存池（要求支持类似new Foo[], delete []功能)，c++如何比较两个float是否相等，LRU，岛屿个数，二叉树的层序遍历，hamming weight，k-coverage intervals
2️⃣torch手撕题: LoRA adapter
3️⃣cuda手撕题：
1- 支持torch broadcast的4D tensor的elementwise mul
2- A: (1, 256), B: (256, 128), C: (128, 256) ，计算 (A * B) * C
3- Embedding Sparse Feature Pooling：A是 100 万个离散 ID（0~999），B是 100 万个float，计算个长度为1000的float数组C，C[i] = \sum_{j s.t. A[j] = i} B[j]
4️⃣ai infra或算法八股：
1- llm的知识蒸馏放在预训练做是否合适
2- Hopper TMA的优点，调用方式，是否需要经过L1
3- Flash Attention v2为什么外层对Q循环，Flash Decoding的combine kernel耗时占比大概是多少
4- Mooncake kv-cache centric的PD分离
5- Dit的推理框架设计思路和LLM的有什么异同
6- 分析MLA decode的计算访存比，它和seqlen、batch size是否相关
7- diffusion model的训练和推理步骤，推理num_inference_steps为40时，为什么训练的timesteps仍要设成1000
8- 介绍dLLM，如何看待它和AR的区别
9- torch.repeat 和 torch.expand的区别
10- torchrun的启动参数有哪些，如何在Linux上批量kill包含torchrun的进程
本篇目录
当前问题0120
- 01
手撕内存池（要求支持类似new Foo[], delete []功能)
- 02
c++如何比较两个float是否相等
- 03
LRU
- 04
岛屿个数
- 05
二叉树的层序遍历
- 06
hamming weight
- 07
LoRA adapter
- 08
支持torch broadcast的4D tensor的elementwise mul
- 09
A: (1, 256), B: (256, 128), C: (128, 256) ，计算 (A * B) * C
- 10
Embedding Sparse Feature Pooling：A是 100 万个离散 ID（0~999），B是 100 万个float，计算个长度为1000的float数组C，C[i] = \sum_{j s.t. A[j] = i} B[j]
- 11
llm的知识蒸馏放在预训练做是否合适
- 12
Hopper TMA的优点，调用方式，是否需要经过L1
- 13
Flash Attention v2为什么外层对Q循环
- 14
Mooncake kv-cache centric的PD分离
- 15
Dit的推理框架设计思路和LLM的有什么异同
- 16
分析MLA decode的计算访存比，它和seqlen、batch size是否相关
- 17
diffusion model的训练和推理步骤，推理num_inference_steps为40时，为什么训练的timesteps仍要设成1000
- 18
介绍dLLM，如何看待它和AR的区别
- 19
torch.repeat 和 torch.expand的区别
- 20
torchrun的启动参数有哪些，如何在Linux上批量kill包含torchrun的进程