Cadence 2017校园宣讲会即将开始

0?wx_fmt=gif

0?wx_fmt=jpeg

宣讲会日程

成都电子科技大学

19:30-21:30,2016-9-21,清水河校区,立人楼B117

中国科学技术大学

16:00-18:00,2016-09-26,学生活动中心二楼学术报告厅 (西校区)

 

Cadence北京办公室

9:30-17:00, 2016-10-22, 北京环球贸易中心D座10层

浙江大学

18:00-21:30, 2016-10-26, 曹光彪楼西楼204室 (玉泉校区)

上海交通大学

待定

公司介绍

Cadence Design Systems, Inc.(Nasdaq股票代码:CDNS是全球领先的EDA 软件开发商以及半导体知识产权(IP)的领先供应商。全球知名半导体与电子系统公司均将Cadence软件作为其全球设计的标准。

Cadence公司总部位于美国加州圣荷塞市,在全球有近7000名员工,于1992年进入中国市场,建立了上海、北京、深圳分公司以及上海研发中心、北京研发中心。他们主要承担美国总部EDA软件研发任务,力争提供给用户更加完美的设计工具和全流程服务。

冲浪要做弄潮儿!

怀着青春梦想的你,准备好与芯片行业的最新技术亲密接触,并且成为最杰出团队的一员吗?那还等什么?快快加入Cadence大家庭!Cadence将为您提供最广阔的舞台!

 

需求专业

微电子,电子信息工程,计算机,软件工程及相关专业的2017届毕业的硕士、博士生投递。

网申时间

9月7日-11月30日,欢迎通过电脑登陆网申地址进行职位申请

http://campus.51job.com/cadence

空缺职位

若干软件研发工程师,产品验证工程师,产品工程师,前端工程师 等职位空缺在上海和北京

上海

1.产品验证工程师 - 数字后端 (DSG)

职位描述:

(1)验证数字后端EDA工具Encounter/Innovus,确保产品在整个后端设计流程中可以正确工作,实现各个步骤的设计目标并满足性能要求,签字认可产品发布。

 

职位需求:

(1)熟练掌握微电子专业的基础知识,深入理解时序功耗分析优化,超大规模集成电路制造工艺原理,先进制程设计规则者优先

(2)熟悉IC设计流程,有使用EDA工具(Cadence/Synopsys/Magma/Mentor)经验者优先

(3)熟悉Linux/Unix工作环境,熟悉perl/tcl/csh等,有脚本设计经验及自动化测试经验者优先

(4)具备良好的自学能力和团队协作精神。

(5)本科及以上学历,英文读写流利,听说熟练。

2.产品工程师 - 数字后端 (DSG)

 

职位描述:

设计开发数字后端工具Encounter/Innovus,并对Cadence亚太及全球数字后端业务提供技术支持。

 

职位需求:

(1)熟练掌握微电子专业的基础知,深入理解时序功耗分析优化,超大规模集成电路制造工艺原理,先进制程设计规则者优先

(2)熟悉IC设计流程,有使用EDA工具(Cadence/Synopsys/Magma/Mentor)经验者优先

(3)熟悉Linux/Unix工作环境,熟悉perl/tcl/csh等,有脚本设计经验及自动化测试经验者优先

(4)具备良好的自学能力和团队协作精神。

(5)本科及以上学历,英文读写流利,听说熟练。

 

3. 软件研发工程师 - 数字后端 (DSG)

 

职位描述:        

(1)负责开发和维护数字电路后端(物理)设计软件,包括数据库的开发、用户界面开发、布局、布线及时序分析等。

(2)应用前沿的思想和算法改进当前软件,提高软件性能和质量。

(3)根据最新工艺发展,实现新功能,满足工艺发展需求。

 

职位需求:

(1)计算机,电子或者数学专业硕士及以上学历。

(2)精通Linux/Unix环境下的C/C++编程,具备扎实的数据算法功底,熟悉软件开发流程。

(3)有很好的团队合作精神,英文读写流利,听说熟练。

(4)工作积极热情,具有探索和创新精神。

(5)熟悉数字后端设计算法者优先。

 

4. 软件研发工程师 (DSG-SSV Voltus)

 

职位描述:

(1)作为软件工程师,负责Cadence Voltus芯片电源完整性分析软件开发和维护。

 

职位需求:

(1)熟练使用C或C++,熟悉Linux/Unix开发环境

(2)精通数据结构和算法,了解数值算法或多线程编程优先

(3)有半导体知识、EDA软件使用或开发经验者优先

(4)微电子及相关专业硕士及以上学历,英文读写流利,听说熟练

 

5. 软件研发工程师 - 逻辑综合 (HSV)

 

职位描述:        

(1)负责开发和维护用于硬件仿真加速器的数字电路逻辑综合软件,包括Verilog/VHDL的编译、编译数据库优化、电路优化、memory综合等。

(2)应用高效的存储技术和算法改进编译数据库和优化电路,提升并行计算,提高软件性能和质量。

(3)根据仿真加速器的硬件发展,研究实现新的逻辑综合功能,满足电路高速仿真展需求。

 

职位需求:

(1)计算机,电子或者数学专业硕士及以上学历。

(2)精通Linux/Unix环境下的C/C++编程,具备扎实的数据算法功底,熟悉软件开发流程。

(3)有很好的团队合作精神,英文读写流利,听说熟练。

(4)工作积极热情,具有探索和创新精神。

(5)熟悉数字电路仿真与综合或形式验证算法者优先。

 

6.软件研发工程师 - 寄生参数提取 (DSG-SSV QRC)

 

职位描述:        

(1)负责开发和维护寄生参数提取软件

(2)应用前沿的思想和算法改进当前软件,提高软件性能和质量。

(3)根据最新工艺发展,实现新功能,满足工艺发展需求。

 

职位需求:

(1)计算机,电子或者数学专业硕士及以上学历。

(2)精通Linux/Unix环境下的C/C++编程,具备扎实的数据算法功底,熟悉软件开发流程。

(3)有很好的团队合作精神,英文读写流利,听说熟练。

(4)工作积极热情,具有探索和创新精神。

(5)熟悉数字后端设计算法者优先。

 

7. 软件研发工程师 - 芯片验证(HSV)

 职位描述:       

(1) 负责开发和维护用于硬件仿真加速器的在线仿真(co-simulation run-time)软件和高阶事务加速(Transaction-Based Acceleration,TBA)方法学。

(2) 与现场技术工程师合作开发用于仿真加速(emulation)和原型开发(prototyping)平台的高阶事务加速解决方案。

(3) 根据仿真加速器的硬件发展,开发及维护用于仿真加速器的在线仿真交互命令、内核模块、高阶事务加速软件包和软件性能优化。

 

职位需求:

(1) 计算机, 电子电气相关专业硕士及以上学历。

(2) 熟悉Linux/Unix环境下的C/C++编程,了解操作系统原理。

(3) 能使用 Verilog/SystemVerilog,VHDL或SystemC进行芯片建模.

(4) 具有RTL建模总线功能和 UVM/TLM验证方法学经验者优先。

(5)具有EDA/CAD工具开发和逻辑电路验证经验者优先。

(6)有很好的团队合作精神,英文读写流利,听说熟练。

 

8.前端工程师 (IPG)

 职位描述:

(1)负责IP和SoC设计, 验证和实现.

(2)日常工作: 数字芯片设计微架构, RTL 编程, 逻辑综合, 功能验证, 测试, 和静态时序分析.

(3)硬件描述语言, 掌握verilog 或 vhdl.

(4)熟悉C/C++/perl/tcl/csh/python, UNIX, Linux.

(5)优秀的分析和解决问题的能力.对复杂的技术的问题有快速分析的能力,对新的知识有较强的学习能力.

(6)优秀的沟通能力和团对合作精神.

(7)积极主动, 有责任心.

 

职位需求:

(1)微电子,电子工程或计算机相关硕士以上学历

(2)既能独立工作也能团对合作

(3)较强的语言沟通能力,包含英语和中文.

(4)有以下经验者优先: ASIC 设计, FPGA 设计, 计算机体系架构, SOC 设计, DDR

北京

 

1.软件研发工程师(CPG)

 

职位描述:

开发和维护Cadence模拟电路仿真器/特征化参数提取工具/模拟电路设计集成环境

 

职位需求:

(1)精通C++编程,熟悉Linux/Unix开发环境

(2)熟悉模拟电路设计优先

(3)熟悉如下相关语言优先:Spice, Verilog, Verilog-A, Verilog-AMS, VHDL-AMS

(4)熟悉GUI开发,特别有QT toolkit使用经验优先

(5)熟悉标准单元库特征参数提取,逻辑综合算法或静态时序分析算法相关知识优先

 

 

2.产品验证工程师 (CPG)

 

职位描述:

 测试验证Cadence模拟和数模混合仿真工具,对产品每个新功能进行测试验证,并进行全产品的性能、精度以及可用性的分析评测,签字认可产品的最终新版本发布。

 

职位要求:

(1)电子技术/微电子及其相关专业硕士或者以上学历

(2)熟悉定制IC设计流程,有使用Cadecne ADE环境或仿真工具Spectre/UltraSim/AMS者优先

(3)有脚本(如:Python, Perl, TCL, Shell)编程经验者优先

(4)具备良好的交流能力和团队协作精神

(5)良好的英文读写、听说能力

0?wx_fmt=jpeg

公司招聘

,数字后端,数字前端,模拟layout,软件工程师,机器学习等相关人才

marco3260@163.com

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值