面灵AI→

星网锐捷 C++ 岗面经:IIC 与 SPI 选型、量化与显存

时间
2026-10
来源
牛客网

《面试题目》

  1. 驱动开发做过哪些?
  2. IIC 说一下。
  3. IIC、SPI、串口的区别与优缺点是什么?
  4. 平时用的时候怎么在这些协议之间选择?
  5. 平时 AI 用得多吗?怎么用的?有没有一些好用的插件?
  6. Codex 的工作树了解吗?
  7. 部署大模型一般去哪些网站下载?
  8. YOLO 训练过程中有没有遇到什么问题?
  9. 过拟合怎么解决的?
  10. 数据增强怎么做的?
  11. 量化精度是什么?FP8、FP16 这种怎么影响显存?
  12. 常用的 Linux 命令说一下。
  13. 有没有调过 Linux 的内核?
  14. C 和 Python 的运行机制分别是什么?
  15. Python 的垃圾回收机制说一下。

《参考解析》

IIC、SPI、串口三者的选型可以按「同步还是异步、几根线、能拉多远、能不能多挂」四条来答。 IIC 是同步半双工,两根线(SCL 时钟、SDA 数据)加地址寻址,一条总线可挂多个从设备,速率标准模式 100kHz、快速模式 400kHz、高速 3.4MHz,需要上拉电阻,协议开销大(起始、地址、应答),适合低速的传感器、EEPROM、PMIC 这类配置类器件。SPI 是同步全双工,四根线(SCK、MOSI、MISO、CS),片选决定从设备,没有寻址开销、速率可到几十 MHz,缺点是每多一个从设备就多一根片选、没有硬件应答机制;适合需要高速率或大数据量的场景,比如 Flash、屏幕、以太网控制器、ADC。串口(UART)是异步全双工,没有时钟线,靠双方约定的波特率采样,两根线(TX、RX)点对点,帧里有起始位和停止位,速率一般到几 Mbps,接线上要交叉、要注意电平(TTL 与 RS232/RS485 的差别,485 是差分、支持多点与更远距离);适合调试串口、模块通信(GPS、蓝牙模组)、板间低速通信。被追问时补三点更有分量:长距离和抗干扰场景用 RS485 或 CAN;IIC 总线死锁(从设备拉低 SDA)怎么恢复,通常靠重新初始化或加总线复位电路;以及 SPI 的多个片选与走线长度对信号完整性的影响。

驱动开发经历怎么讲才像真做过。 按「平台 + 子系统 + 具体动作 + 排查过程」组织:比如「基于某 SoC 的设备树适配,把外设寄存器映射进 kernel 后注册字符设备,用 file_operations 暴露 ioctl,用 sysfs 做参数配置」。要点分值在于具体的调试手段:dmesg 看 probe 结果、cat /proc/devices 与 /sys 看注册情况、用示波器或逻辑分析仪抓 IIC 时序、用 devmem 直读寄存器、必要时用 ftrace 或 perf 定位延迟。如果只是写过 GPIO 点灯或调用过现成驱动,就如实说清楚边界并讲你理解到的层次(用户态 → 系统调用 → 驱动 → 总线控制器 → 外设),面试官问细节时坦白「这部分我只到读过代码的程度」,比硬编要好。

Python 的垃圾回收是三套机制叠加,回答要分层。 主机制是引用计数:每个对象的 ob_refcnt 归零时立即释放,优点是实时、无停顿,缺点是维护计数有开销而且处理不了循环引用(A 引用 B、B 引用 A,计数都不为 0)。所以第二层是分代回收(gc 模块):标记清除处理容器对象的循环引用,对象分三代、新对象在第 0 代、活得越久越往上晋升,因为「大部分对象很快死掉」,所以扫描频率随着代龄降低。第三层是阈值触发:gc.get_threshold() 默认 (700, 10, 10),分配数减释放数超过阈值就触发对应代的回收,可以通过 gc.collect() 手动触发、gc.disable() 关闭。追问点常见:__del__ 里做的事会不会被调用、gc.garbage 是什么(带 __del__ 的循环引用在早期版本里会进这个列表且不回收)、以及为什么大对象与高频分配会拖慢——回答时可以对比 C 的显式 malloc/free:C 没有运行时兜底、写错就是泄漏或野指针,Python 用「引用计数 + 分代」换来了安全但付出了停顿与内存开销,weakref 则是打断循环引用的常用手段(缓存里存弱引用)。

C 与 Python 的运行机制差别在「编译成什么、谁来执行」。 C 是编译型:预处理(宏展开、头文件展开)→ 编译(到汇编)→ 汇编(到机器码目标文件)→ 链接(合并库、重定位符号),产物是平台相关的可执行文件,运行时由操作系统加载并直接由 CPU 执行,所以「零运行时开销」,但换平台要重新编译。Python 通常先编译成字节码(.pyc,存在 __pycache__)再由 CPython 虚拟机循环解释执行,字节码是平台无关的中间表示,代价是解释开销(所以热点代码要靠 C 扩展或 Cython、numba 掉出解释循环);也解释了为什么 GIL 存在——CPython 用引用计数做内存管理,为了不让计数操作处处加锁就用了全局解释器锁,所以 CPU 密集型任务多线程拿不到并行,要用多进程。要能顺势说清 JIT(PyPy、JVM)的取舍:用运行时编译换执行速度,代价是启动预热与内存。

YOLO 训练、过拟合与数据增强要讲清判据和对策。 过拟合的判据是训练损失持续下降而验证 mAP 停滞或下降,两者背离就说明模型在记数据而不是学特征。对策按性价比排序:加数据(最有效,尤其是补充失败场景与长尾类别)、用更强的增强、加正则(weight decay、Dropout)、减小模型容量或冻结部分 backbone 做微调、早停(按验证集 mAP 保存最佳权重而不是最后一个 epoch)。数据增强在检测任务里常用的有随机缩放与裁剪、马赛克拼接(Mosaic,把四张图拼成一张,等效于小批量里看到更多目标与更多尺度)、MixUp、HSV 色彩抖动、随机翻转(注意水平翻转对左右有语义差别的场景要慎用)、以及 Copy-Paste 与类别平衡采样。回答时要提一句「增强要与部署场景一致」——训练时加了很强的形变而线上目标都是正立清晰的,反而掉点。另外要能把指标说清楚:mAP@0.5 与 mAP@0.5:0.95 的区别、precision/recall 的取舍由置信度阈值决定,以及 NMS 的 IoU 阈值如何影响召回。

量化精度与显存这题要能算公式。 精度就是每个参数用多少位存储:FP32(4 字节)、TF32/BF16/FP16(2 字节)、FP8(1 字节)、INT8、INT4。显存占用分三块:权重(参数量 × 每参数字节数,训练时还要乘以优化器状态,Adam 的动量与方差在混合精度下约为权重的 4 到 6 倍,这也是微调比推理更吃显存的原因)、激活与中间张量(与 batch size、分辨率、序列长度正相关)、以及 KV cache(按层数 × 头数 × 序列长度 × 精度算,长上下文推理时它常常是显存大头)。举个数:7B 模型 FP16 权重约 14GB,FP8 约 7GB,再叠加 KV cache 与激活才是实际需求。量化的关键细节:权重可以 per-channel,激活通常 per-tensor;INT8/FP8 需要 scale(以及 zero point),要在校准集上统计范围,否则截断误差会让精度掉得厉害;FP8 有 E4M3 与 E5M2 两种格式,前者精度高适合前向,后者动态范围大适合梯度;硬件支持度决定收益——只有新架构(Hopper、Ada、AMD 的对应代数)才有 FP8 的原生算力,否则量化只省显存不加速,甚至因为反量化而变慢。被追问「量化之后为什么精度还能保住」,答「神经网络的参数冗余度高、且推理对单个权重不敏感,但敏感层(首尾层、LayerNorm、softmax)通常保留高精度」就到位了。

AI 工具与 Linux 那些问,重点在「说得出用在哪、怎么校验」。 用 AI 辅助开发的具体例子要落到工程动作上:生成 DTS 与寄存器配置模板、读不懂的内核报错丢给模型要排查思路、把 C 代码的编译告警当输入让它解释、写测试脚本与正则。Codex 的工作树(worktree)机制可以理解为给每个任务开一份独立的仓库检出,多个任务并行时不互相污染工作区,变更以补丁形式评审后合入——这类工具的价值就在于隔离与可回滚。常用 Linux 命令按场景分:文件与查找(ls -lh、find、grep -rn、rsync)、进程与资源(ps/top/htop、free、iostat、vmstat、lsof)、网络(ip、ss、ping、traceroute、tcpdump、curl -v)、日志与排查(dmesg、journalctl -u、tail -f)、权限与磁盘(chmod/chown、df -h、du -sh)、以及文本处理(awk、sed、xargs)。「有没有调过内核」如果答案是「改过配置、编过模块、加过打印」就直说,能讲清 make menuconfig 裁剪、insmod 加载与内核日志验证的流程,也是实打实的经验。