面灵AI→

海康威视固件开发一面:为什么用互斥锁、FP16 为什么不用 INT8

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 项目遇到过什么问题,怎么解决的?
  3. 为什么用互斥锁?解决了什么问题?
  4. 模型是怎么部署的?
  5. FP16 为什么不用 INT8?
  6. 轻量化是如何设计的?
  7. 算子融合是什么?
  8. 实习内容是什么?
  9. 使用哪些 AI 工具?
  10. 举例说明用 AI 做了什么。
  11. 秋招情况如何,意向地点是哪里?
  12. 反问。

《参考解析》

为什么用互斥锁要落到具体场景,而不是背定义:哪个共享资源(配置表、环形缓冲、设备句柄)被哪两个任务访问、不用锁会出现什么现象(数据撕裂、状态错乱),用了互斥量的额外收益(FreeRTOS 的优先级继承避免反转)。再加一句「临界区只包了读写那几行」,体现你知道锁的代价。

模型部署按链路讲:训练导出(ONNX)→ 量化/编译(厂商工具链)→ 板端推理(NPU/GPU/CPU 算子支持情况)→ 集成到应用(前后处理用 C 写、内存预分配、多线程与流水线)。要能给内存峰值与单帧耗时。

FP16 而不是 INT8,答案取决于三个约束:精度(INT8 需要校准集,对激活值分布敏感,某些检测头掉点明显)、算子支持(板端 NPU 对某些算子只支持 FP16,INT8 会回落 CPU 反而更慢)、工程量(INT8 的量化误差要逐层排查,时间成本高)。所以常见选择是「先 FP16 拿到可用的精度与加速,再对瓶颈层单独试 INT8」。

轻量化设计:结构上换更小的骨干、减少通道与层数、用深度可分离卷积;训练上用蒸馏与剪枝;推理上用算子融合(Conv+BN+ReLU 合成一个)、内存复用、避免中间张量反复申请。要给「原模型 vs 轻量模型」的参数量、时延、精度对照。

算子融合:把连续的多个算子合并成一个内核执行,减少中间结果的写回与读入(访存是端侧推理的主要瓶颈),典型是 Conv-BN-Activation 融合、以及注意力里的 QKV 合并。融合由推理框架或编译器完成,手写时要保证数值等价。

「用过哪些 AI 工具、举例做了什么」:给具体场景——用模型读芯片手册定位寄存器、生成测试脚本与用例、分析崩溃日志、把 MATLAB 原型翻成 C。再说一句边界:关键寄存器配置与安全相关逻辑会人工复核。