嵌入式实习

做的MCU项目,想投MCU的岗位,结果有做Linux的岗位要我,说是部署ai在树莓派上的,要会Python和Linux。这种要去吗。
全部评论
不会是做3d打印机的吧
1 回复 分享
发布于 01-26 15:58 广东
可以去啊,要是就这么一个机会,那没得选也得去
点赞 回复 分享
发布于 01-23 19:21 陕西
mcu是嵌入式的入门级别的,比较简单的,一般能做mcu的,可以往linux驱动或者系统的方向转,但你这个部署ai,应该不是驱动范畴的,两个还是有差异的,你要自己考虑下你想走哪个方向的
点赞 回复 分享
发布于 01-10 19:50 陕西
去啊,边做边学
点赞 回复 分享
发布于 01-10 09:42 江西

相关推荐

以牛客上的题目为例,如果是找嵌入式相关的工作(偏底层的),C语言和Linux这两个题库是必刷的,链接如下:C语言:https://www.nowcoder.com/exam/test/95003810/detail?examPageSource=Intelligent&judgmentIntercept=0&pid=66212411&testCallback=https%3A%2F%2Fwww.nowcoder.com%2Fexam%2Fintelligent%3FquestionJobId%3D3%26subTabName%3Dintelligent_page&testclass=%E9%80%9A%E4%BF%A1%2F%E7%A1%AC%E4%BB%B6Linux:https://www.nowcoder.com/exam/test/95003822/detail?examPageSource=Intelligent&judgmentIntercept=0&pid=66212420&testCallback=https%3A%2F%2Fwww.nowcoder.com%2Fexam%2Fintelligent%3FquestionJobId%3D3%26subTabName%3Dintelligent_page%26tagId%3D273590&testclass=%E9%80%9A%E4%BF%A1%2F%E7%A1%AC%E4%BB%B6以我自己举例,我当时实习上下班地铁的通勤时间都在一个小时左右,在地铁上没事的时候我就会拿着手机刷这些题库。到了公司第一件事就是先把这些题库自己不懂的、错误的、模糊的知识点整理到自己的笔记中,然后再开始实习办公。把这些刷完并掌握可以大大巩固你自己的基础知识,尤其对于匆忙转到嵌入式或者经验比较少的,基础就显得更加重要了。其中有些很经典的题或者说知识点,在面试中会经常问到你,这时候你答不上来或者答错了给人的印象就会比较差了。当然,需要注意的是,由于题目众多,有些题目是比较复杂或者偏僻的,这时候需要你有自己的节奏和判断,有选择地去掌握。包括到有些选择题其实是考你代码逻辑,那你觉得比较重要的或者比较巧妙的代码,都可以记录到自己的笔记中多回顾,比如判断一个数的二级制中一的个数、位运算、类型溢出等。这些东西不仅是笔试中会经常遇到,面试中也很有可能会被问到。
面试___岗的必刷题单
点赞 评论 收藏
分享
03-11 10:20
门头沟学院 C++
想入门模型部署,问了一下Gemini,他的回答如下,大佬们看看这路径可行吗???第 1-2 个月:打地基(Modern C++ & CMake & Linux)目标:能看懂推理引擎源码,能独立构建多文件 C++ 项目。核心内容:Modern C++:跟着 HKL 视频,重点吃透 智能指针 (RAII)、移动语义 (Move)、Lambda 表达式和简单的模板。CMake:掌握如何链接第三方库(OpenCV, CUDA, TensorRT),学会编写 find_package。CSAPP:重点精读 第 6 章(存储层次)。理解什么是 Cache Latency。里程碑:在 Linux/WSL 下用 CMake 构建一个调用 OpenCV 处理视频流的小项目。手动实现一个包含智能指针管理的简易内存池。📅 第 3 个月:拿手术刀(CUDA 编程入门)目标:理解 GPU 并行逻辑,能手写并优化基础算子。核心内容:核心概念:Thread, Block, Grid, Shared Memory, Warp Shuffle。实战任务:手写一个 矩阵乘法 (GEMM)。版本 1:朴素版(跑通)。版本 2:使用 Shared Memory 优化(速度提升 5-10 倍)。性能分析:学会使用 nsight-systems 查看 Kernel 执行时间。里程碑:手写一个自定义的图像预处理 Kernel(比如把 BGR 转成 RGB 并归一化)。📅 第 4 个月:炼金术(模型转换与 TensorRT)目标:把 PyTorch 模型变成 1660 Ti 上的极致推理引擎。核心内容:ONNX:学习如何导出 ONNX,如何用 onnx-simplifier 简化模型。TensorRT:掌握 trtexec 工具,学习编写 TensorRT 的 C++ API 推理代码(创建 Runtime、Engine、Context)。插件编写:尝试为一个 TensorRT 不支持的算子写一个 CUDA Plugin。里程碑:将 YOLOv8 导出为 TensorRT 引擎,并在 1660 Ti 上跑到极致 FPS。📅 第 5 个月:工业化(量化与性能压榨)目标:攻克部署最难的一环——精度与速度的平衡。核心内容:量化原理:学习对称量化 vs 非对称量化,理解 KL 散度。PTQ 实战:使用 TensorRT 的 Int8EntropyCalibrator 进行训练后量化。多线程部署:学习 C++ std::thread 或生产消费者模型,实现“视频读取-模型推理-结果渲染”的异步并行流水线。里程碑:完成一个低延迟、多线程的实时检测系统,对比 FP16 和 INT8 的精度损失与速度提升。📅 第 6 个月:破圈与冲刺(国产迁移 & 算法 & 面试)目标:将能力迁移,准备实习面试。核心内容:国产迁移:如果有条件,借或买一个 RK3588 开发板,学习 RKNN-Toolkit。你会发现,因为你有了前 5 个月的底子,这部分 2 周就能上手。算法刷题:每天 1-2 道 LeetCode,重点是数组、链表、排序。八股文复习:回顾 C++ 内存模型、操作系统基础。里程碑:整理简历,把“手写 CUDA Kernel 优化”、“TensorRT INT8 量化实战”作为核心项目写上去。
秋招白月光
点赞 评论 收藏
分享
评论
2
收藏
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务