蔚来
AI Infra一面面经
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
- 详细对比CPU、GPU、NPU的硬件架构优缺点及适用场景
- 为什么NPU适合AI计算？（Unified Buffer、矩阵加速单元）
- NVIDIA GPU的内存组织架构和计算调度逻辑
- 为什么要设计Warp？Warp Scheduler是如何工作的？（掩盖访存延迟）
- 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）
- 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）
- 多态的实现机制（编译时多态 vs 运行时多态）
- 构造函数和析构函数可以是虚函数吗？为什么？
- 继承关系下构造与析构的执行顺序。
- 智能指针详解（unique_ptr, shared_ptr, weak_ptr及循环引用解决）
本篇目录
当前问题0110
- 01
详细对比CPU、GPU、NPU的硬件架构优缺点及适用场景
- 02
为什么NPU适合AI计算？（Unified Buffer、矩阵加速单元）
- 03
NVIDIA GPU的内存组织架构和计算调度逻辑
- 04
为什么要设计Warp？Warp Scheduler是如何工作的？（掩盖访存延迟）
- 05
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）
- 06
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）
- 07
多态的实现机制（编译时多态 vs 运行时多态）
- 08
构造函数和析构函数可以是虚函数吗？为什么？
- 09
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）