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