PY2
Q: 如何用Python提取出一段Python代码中的所有注释？
A: Python的注释要么是#号开头，要么是三引号'''包裹起来，也许你会采用正则表达式，但是实际上这么做会把代码里的#和'''全部弄出来。所以仔细想想，其实你需要写的是一个类似Python解释器的东西，准确的说，是用Python实现一棵“Python注释”的语法树，只不过，解释器需要逐过程解释代码，而你只需要逐行解释注释就可以了。这里面涉及到一些很简单的编译原理，如果你是一个CS的学生，实现起来并不太难。（但是有些烦。）
AR2
Q: Nehalem架构引入了X58芯片组，取代了南北桥，同时引入了QPI（快速通道互联），你知道QPI与传统的FSB相比，有何异同吗，它的主要优势体现在什么方面？
A:QPI是一种点对点、serial（串行）的硬件互联方式，而FSB采用了在一条总线中进行并行传输的方式进行互联，由于点对点以及serial的传输方式，QPI的数据传输完整性和电力消耗都远远小于FSB，且拥有更快的速度和更低的延迟。而还有一种叫做DMI的东东，则是介于FSB和QPI的另一种互联方式。
AR3
Q: 在费米架构的GPU中，每个SM独占L1 Cache，这个Cache基于程序员和硬件同时托管，所有SM共享一个L2 Cache，这个Cache只由硬件托管，请问缓存在处理器核心或者SM之间共享有何意义，为何要做这样的设计？
A:这主要是为了让设备之间能够通过相同的共享缓存进行通信，这可以使得处理器之间不再需要通过延迟极高的全局内存进行通信，减少了数据写回所需的时间，大大优化了原子操作的速度。
AR4
Q: GPU上基于SIMD的实现模式与多核CPU上基于MIMD的实现模式各有什么优缺点？
A:由于每个执行单元的指令流都是相同的，SIMD模式会把指令的获取时间均摊到一个单元，若出现分支，则将它们序列化。而MIMD在出现分支时，则不会序列化，这其实是CPU和GPU硬件构造决定的，CPU上有更多的译码器和指令存储器，而且拥有更高的指令带宽。因此SIMD用于处理大量数据操作（比如高密度浮点计算）是很有优势的，而指令密集型操作则适合交给CPU采用MIMD方式完成。
AR5
Q: GPU存取计算机系统中的主DRAM内存是非常缓慢的，以费米架构为基准，GPU为程序员提供了多种不同层次的存储器，有哪几个不同层次和类型的存储器，它们各自的带宽和延迟周期是多少？
A:
| 存储类型 | 寄存器 | 共享内存 | 纹理内存 | 常量内存 | 全局内存 |
|---|---|---|---|---|---|
| 带宽 | ~8TB/s | ~1.5TB/s | ~200MB/s | ~200MB/s | ~200MB/s |
| 延迟(Cycles) | 1 | 1~32 | 400~600 | 400~600 | 400~600 |
