DAKOTA

案例地址：E:\software\Dakota\share\dakota\examples\official 不确定性量化 地址：E:\software\Dakota\share\dakota\examples\official\uncertainty_quantification\mlmf 不确定性量化采样方法包括MC，以及改进算法CV、MLMC和MLMF。 MC Monte Carlo（MC）

2022/3/2-2022/3/11 本地地址：E:\software\dakotacase\dakota_gui_workspace\XAJ 文档说明 Calibration：新安江模型参数率定 DesignofExperiments：试验设计 ParameterStudy：参数研究 SensitivityAnalysis：敏感性分析 UncertaintyQuantification：不确定性

参数研究：参数研究采用确定性设计来探索模拟模型中参数变化的影响，从而产生一种形式的灵敏度分析。 它们可以帮助评估仿真特性，例如平滑度，多模态，鲁棒性和非线性，这些影响了后续优化和UQ研究中算法和控制的选择。 典型的例子包括中心，一次一个变化或网格上的联合变化。 实验设计：计算机实验（DACE）技术的设计和分析通常用于探索工程设计问题的参数空间，例如进行全局灵敏度分析。 DACE方法可以帮助得出类似

👥面试题目 一面 项目 cuda详细说（好久了有的忘记了说的磕磕巴巴的） 然后 讲了实习的东西 感觉和他们目前的业务比较match 基础问题 c加加和cuda的基础问题 一个膨胀卷积实现的手撕 呃问我怎么优化 没回答出来 给我讲解了我还是没明白 笑死 面试官无语 反问 两轮技术面 技术业务偏向移动端硬件优化这边 面试官比较友好 亲切 没开摄像头 希望可以进二面 跪求

最简单的经验法则之一是记住硬件喜欢数组，并且针对数组的迭代进行了高度优化。对许多问题的一个简单优化只是停止使用花哨的数据结构，只使用简单的数组（或C++中的std：：vectors）。这需要一些时间来适应。 C++类是那种“奇特的数据结构”，即一种可以用数组代替的数据类型，以在C++程序中获得更高的性能吗？

1、自我介绍 2、项目介绍 3、主要做了什么，为什么这样做 4、模型结构 5、与原算法比较，优势和不足 6、在学校有没有学过机器学习深度学习相关课程 7、滤波器（不会） 8、怎样部署（不会） 9、评价指标 10、倾向于做什么方向 11、线性回归与逻辑回归 12、朴素贝叶斯 13、代码题：单位园随机采样 #摩尔线程##摩尔线程智能科技（北京）有限责任公司#

【名称】蔚来高性能计算日常实习 1 2 3面 【时间】23.07 【公司】蔚来 【岗位】高性能计算 【面经】个人 一面： 1. 自我介绍 2. 深挖实习 3. 你用过TensorRT 讲讲对 TensorRT的理解 4. 讲讲TensorRT 和 OpenVINO的区别 C++ 八股： 5. C++面向对象特性 面向对象特性分别如何体现的 6. 讲一下继承 7. 讲一下虚函数 8. 讲一下vect

前面大部分时间在聊项目，一共大概五十分钟 自动微分的流程、怎么写？ 你用的动态图还是静态图？ 动态图和静态图的优势劣势？ 框架中用了什么技巧了吗？ 怎么加入分支？（不知道，就让我说CPU中的分支预测了，说完补充了一些GPU中的分支） Cache的层次结构？如何高效利用cache（讲了集中优化方法，更换访存策略，tiling等） 讲一下roofline model？你有没有用roofline分析过什

校验者: @曲晓峰 @小瑶 翻译者: @小瑶 对于某些 applications （应用），estimators（估计器）的性能（主要是 prediction time （预测时间）的 latency （延迟）和 throughput （吞吐量））至关重要。考虑 training throughput （训练吞吐量）也可能是有意义的，但是在 production setup （生产设置）（通常在脱