大家好,我是仲一。
“选对行业大于努力,当然,努力决定了上限。”
这是一位读者投给我的稿子里的一句话。我看了两遍,觉得比很多长篇大论都说得准。(关于面经投稿可以查看这篇文章面经投稿)
这位读者今年秋招,投稿的时候还在等开奖。背景不算亮眼,但他从 8 月中旬投到 10 月中旬,投了不到 300 家,面了 30 多家公司,50 多场面试,走完流程的 13 家。
稿子有点长,我拆成上下两篇。上篇是他这一年怎么学、怎么投,下篇是面试和面经。
内容基本是他原文,我只做了分段和排版,观点都是他自己的。
1、秋招概况
今年秋招整体节奏很慢,大厂开奖都到了 10 月底,11 月。
嵌入式这边我的感受是机器人、芯片、电力电子的行情还不错,薪资给的都挺高的,而且 hc 似乎不少。
最大的感觉就是在现在 AI 冲击 + 毕业生人数激增的市场背景下,选对行业大于努力,当然,努力决定了上限。
2、个人背景
双非本,单二硕;专业是通信/电子信息;无实习无论文;实验室方向和工作毫不相关;本科参加过很多竞赛,有国奖,但不是嵌入式方面的;
3、投递情况
从 8 月中旬开始投递到 10 月中旬结束投递,大概投了不到 300 家,面试了 30 多家公司,50 多场面试,后面签了之后又拒了 5、6 家的面试,走完流程的 13 家,目前意向 offer 和待开奖的有燧原、小米、卓驭、飞腾、海光、紫光国芯、国科微、景嘉微、海康、虹科。
投递的方向呢分为三类:嵌入式软件开发、AI 部署与高性能计算、AI 芯片软件栈开发。主要是跟着我的简历来的,刚开始是海投的,后面慢慢有了结果之后才根据平台、薪资挑着投的。
总的来说有几点:
1、建议海投,不光是提高面试率,还可以摸清自己在什么岗位比较有竞争力
2、面试顺序也看点运气。我原本想先投小公司练手,再投想去的大公司,但实际有些大公司启动早、推进快,面试反而先来了。所以最好提前熟悉简历、练习项目表达,别完全指望靠前几场面试练手。
3、有人可能想着很想去的公司可以晚点投,但我觉得准备好了就尽快投就行了,因为很多公司面试都是分批次的,一个萝卜一个坑。
4、学习阶段
因为我没有实习嘛,就不说实习的事了,当然有实习肯定竞争力会大很多,能实习还是去实习。
我是研二开始学的,那我就按照一年的时间线来说一下我的学习过程和总结。
基础
我投递的这些方向都需要的基础知识主要包括 C/C++、计算机体系结构、操作系统、数据结构和算法、计算机网络。
前期可以花一两个月快速过一遍这些知识,把相关知识看懂,常见考点可以稍微深入看一下底层原理。我实际上花了 3 个多月比较慢了,因为实验室白天事太多了,只能晚上学。
这里想单独说一下算法题,比如 hot100,虽然 AI 写代码已经很强了,但我觉得还是要刷题的,面下来像华为、小米、字节这种公司都是要面试手撕的,可以在 3 月份开始陆续刷一下。
难的都是第一遍刷,坚持刷完一遍,后面二刷就简单了。
扩展
基础过完之后,就可以结合目标岗位继续往下学了。我投的这三个方向有不少交叉,比如 Linux、内存管理、多线程和性能分析都会反复用到,但深入的重点不一样。
如果准备时间只有一年(除去两三个月的过基础知识),我觉得可以先选一个主方向,把项目和知识往深处做,再根据岗位补相邻方向的内容,这样竞争力会高一些。
嵌入式软件开发
我学的主要是 Linux 方向。当时主要看了韦东山的一至五篇,包含驱动和应用,也看了尚硅谷的 Linux 应用。讯为的课程我知道得比较晚,就没有系统看,听大家说讯为的课还是很不错的。
课程可以选一套适合自己的作为主线,中间穿插实操:交叉编译程序、编译和加载驱动、修改设备树,再从应用层把数据读出来,跑通这些流程后,对书里的概念会更有感觉。
入门之后,还需要选几个跟项目相关的驱动子系统往下看。比如学 I²C,要能把应用访问、设备驱动、控制器驱动和实际总线上的通信联系起来;学中断,要知道中断怎样到达 CPU、处理函数里有哪些限制、耗时工作怎样往后安排;学摄像头,则可以顺着 sensor、MIPI、采集框架一直看到用户态拿到图像。
我觉得选两三个模块,能跟代码、能调试,比同时看过很多接口、每个都只记得名字更有用。
应用层也值得花时间。多线程、进程通信、网络收发、缓冲区管理,最后都会落到项目里。像视频发送变慢,可能是网络问题,也可能是某个线程阻塞、队列积压,或者前后处理速度不匹配。知道怎样用日志、GDB、perf 等工具逐步缩小范围。
网上也有很多大神写的公众号文章、csdn、博客园,可以抽空看一看;有时间也建议自己写一些文章输出,毕竟能讲出来的东西才是自己的。
驱动这一条线比较传统,但是岗位需求还是不少的,而且芯片厂也都招,但要足够深入才有竞争力。
AI 部署与高性能计算
这个方向我觉得可以围绕推理框架、模型量化、自定义算子和精度验证这几个方面来学。推理框架可以选 ONNX Runtime、TensorRT 等其中一种,先完成模型部署,再了解模型加载、图优化、算子执行和内存管理,逐步弄清楚框架怎样把模型运行在硬件上。
量化方面,可以学习 PTQ、QAT,以及 INT8 量化、校准数据和量化参数的作用。同时要做好精度验证,比较部署前后的模型输出和实际任务指标,出现掉点时,能够排查预处理、量化误差和后处理等环节,并尝试调整量化策略或使用混合精度。
自定义算子则可以从一个简单例子入手,自己实现计算逻辑,再通过框架的自定义算子或插件接口接入模型,理解算子注册、输入输出形状、数据类型和执行后端之间的关系,最后验证结果与性能。
偏 GPU 高性能计算的话,就继续深入 CUDA,自己实现 Reduce、Softmax、矩阵乘法、卷积和一些 AI 算子,再用 Nsight 分析访存、同步和资源占用。
这一块的岗位数量也挺多的,端侧 AI 部署在芯片厂(AI 工具链)、车企、机器人、消费电子都有。
AI 芯片软件栈开发
这个方向和前面的部署、算子优化联系很紧,只是更需要往框架和系统内部走。模型从训练框架导出之后,怎样被转换和优化,怎样变成硬件可以执行的任务,运行时又怎样管理内存和调度资源,这些环节连起来,就是理解软件栈的一条主线。
不过这个方向本身也很大,算子库、编译工具链、Runtime、驱动的侧重点都不同。准备时可以先看目标岗位实际负责哪一层,再选择深入的路线。做算子就重点研究计算和访存;做编译就重点研究计算图和优化变换;做 Runtime 或系统软件,就重点研究执行、内存和同步。
偏算子开发的话,可以接着前面的 CUDA 往下做。Reduce、Softmax、GEMM 不用一开始追求很多种实现,但要把线程划分、分块、数据复用和同步讲清楚。
偏 Runtime、驱动或芯片系统软件的话,C/C++ 和 Linux 基础会更重要。可以围绕一次推理任务,追踪模型怎样加载、内存由谁申请、CPU 怎样提交任务、设备怎样通知完成,以及结果什么时候能安全读取。再结合多线程、异步执行和共享缓冲区,理解应用、运行时和驱动之间的关系。
这几个方向学到后面会互相帮助:部署时发现的问题,可以往算子或运行时追;理解了底层执行,再做系统优化也更容易判断方向。但学习时间有限,还是要有一个能讲深、能拿出实现和测试结果的重点。
最后有一个提高竞争力的小秘诀:找几份自己想投的岗位 JD,看看反复出现的要求,再对照项目查漏补缺。比如要求驱动调试,就检查自己能不能跟完整调用链、解释遇到的故障;要求算子优化,就检查有没有正确性测试、性能数据和分析过程。学到并实际做过之后,再把相关工作放到简历里重点写,这样学习、项目和投递会更连贯。
写在最后
看完上篇,能感觉到他这一年做的事其实没什么玄学。
先把基础过一遍,再挑一个主方向往深处做,然后拿 JD 对着自己的项目查漏补缺。慢是慢,但每一步都踩在实处。
下篇讲面试。自我介绍怎么抛钩子、技术面怎么扛住追问、综合面考什么,还有燧原、小米、海光、字节、大疆这些公司的真实面经题目。
你今年秋招走到哪一步了?是还在投,还是已经开奖了?留言区聊聊。
仲一做嵌入式已经六七年了,现在在某头部芯片公司做驱动开发,之前带过团队、也面试招过人。简历看多了,面试也面多了,所以职业怎么走、简历哪里不对、面试卡在哪儿,这些事我算是有点发言权。
职业方向、简历、面试,哪块有疑惑都可以找我聊聊。想聊的,公众号后台回复「咨询」。
54