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