职场资讯
正在查看应届生深度学习清新简历模板文字版
陈小湾
求职意向
工作经历
XXX智能是专注于计算机视觉与工业AI检测解决方案的科技公司，团队规模约XXX人，核心业务是为制造业客户提供基于深度学习的缺陷检测与设备预测性维护服务，产品已部署于超过XXX条产线，与多家汽车零部件及消费电子制造商建立合作关系。
工作概述：
1.数据处理：负责模型训练所需图像数据采集与标注，根据项目缺陷标准制定标注规范；使用工具清洗初始数据，去除模糊、过曝等无效样本；搭建数据增强流程，通过旋转、裁剪扩充数据集规模，支撑后续模型训练，将有效数据供给量提升XXX%。
2.模型训练：参与特定场景下的缺陷检测模型开发，在工程师指导下调整网络结构与超参数；利用训练框架进行模型迭代，监控损失函数与准确率曲线；完成基础模型的训练与验证，输出初步性能报告，辅助核心算法优化。
3.模型测试：执行训练后模型的离线测试，设计测试用例覆盖常见缺陷类型与干扰场景；记录误检与漏检样本并分析原因，形成测试报告反馈给开发团队；通过多轮测试与问题闭环，协助将模型在测试集上的准确率提升至XXX%。
4.辅助部署：协助完成模型向边缘设备的转换与轻量化，参与转换后模型的性能比对；编写简单的接口调用示例，支持现场工程师进行集成调试；整理部署过程中的常见问题，形成排查文档，将现场调试的辅助时间平均缩短XXX小时。
工作业绩：
1.完成XXX万张工业图像的数据处理与增强，保障了X个核心检测项目的训练数据需求。
2.参与训练并优化X个缺陷检测模型，模型在标准测试集上的召回率从基线提升XXX%。
3.独立执行XXX次模型版本测试，发现并推动解决关键缺陷XXX个，测试报告准确率达XXX%。
4.支持X个项目的模型部署环节，辅助完成的模型转换成功在XXX台边缘设备上稳定运行。
主动离职，希望有更多的工作挑战和涨薪机会。
项目经历
公司为XXX面板制造商定制的AI质检项目，原有产线依赖人工目检，存在效率低、标准不一致问题，漏检率高达X%，无法满足客户每日XXX万片屏幕的检测产能需求。项目需在光照不均、反光干扰严重的复杂环境下，实现划痕、脏污、亮点等十类微小缺陷的实时精准识别，并将检测节拍控制在X秒以内以匹配产线速度。
项目职责：
1.数据准备：负责缺陷图像数据集的构建，协调现场采集XXX万张原始图像；制定精细标注规则，组织团队完成数据标注与交叉审核，确保标注一致性与质量。
2.基础开发：在导师指导下，实现数据加载与预处理流水线，集成多种数据增强方法，扩充训练样本多样性。
3.实验辅助：执行模型训练实验，记录不同网络结构（如ResNet, YOLO变体）与训练策略下的性能指标，为算法选型提供数据支持。
4.测试验证：参与模型离线测试与在线试运行，在模拟产线环境中验证模型性能，收集误检样本并反馈用于模型迭代。
项目业绩：
1.系统成功上线，替代原有人工检测工位X个，单条产线检测效率提升XXX%。
2.模型在客户现场测试集上达到X
X.X%的检测准确率，漏检率降低至
X.X%，达到合同技术要求。
3.项目帮助客户将质检人力成本降低XXX%，年节约成本预估XXX万元，获得客户验收好评。
教育背景
GPA X.XX/X.X（专业前XX%），主修机器学习、计算机视觉与Python高级编程等核心课程，参与基于深度学习的图像分类课程项目（使用PyTorch框架），在项目中负责网络模型搭建与调参部分，完成模型训练与评估，熟悉Linux开发环境与Git版本控制工具，通过大学英语六级考试。
自我评价
培训经历
系统学习了卷积神经网络、目标检测、图像分割等核心知识，并通过实践项目巩固了PyTorch框架的编程能力。将认证所学应用于工业缺陷检测项目的模型实验阶段，通过更规范的实验设计与调参方法，协助团队在同等数据条件下，将基线模型的验证集准确率提升了X个百分点。
应届生深度学习清新简历模板
296人使用适用人群: #深度学习 #应届生[<1年]
[基本信息]
姓名：陈小湾
性别：男
年龄：26
学历：本科
婚姻：未婚
年限：4年
面貌：党员
邮箱：xiaowan@gangwan.com
电话：18600001654
[求职意向]
工作性质：全职
应聘职位：深度学习
期望城市：北京
期望薪资：8000-10000
求职状态：离职-随时到岗
[工作经历]
北京XX科技有限公司 | 深度学习
2024-09 - 2025-12
XXX智能是专注于计算机视觉与工业AI检测解决方案的科技公司，团队规模约XXX人，核心业务是为制造业客户提供基于深度学习的缺陷检测与设备预测性维护服务，产品已部署于超过XXX条产线，与多家汽车零部件及消费电子制造商建立合作关系。
工作概述：
1.数据处理：负责模型训练所需图像数据采集与标注，根据项目缺陷标准制定标注规范；使用工具清洗初始数据，去除模糊、过曝等无效样本；搭建数据增强流程，通过旋转、裁剪扩充数据集规模，支撑后续模型训练，将有效数据供给量提升XXX%。
2.模型训练：参与特定场景下的缺陷检测模型开发，在工程师指导下调整网络结构与超参数；利用训练框架进行模型迭代，监控损失函数与准确率曲线；完成基础模型的训练与验证，输出初步性能报告，辅助核心算法优化。
3.模型测试：执行训练后模型的离线测试，设计测试用例覆盖常见缺陷类型与干扰场景；记录误检与漏检样本并分析原因，形成测试报告反馈给开发团队；通过多轮测试与问题闭环，协助将模型在测试集上的准确率提升至XXX%。
4.辅助部署：协助完成模型向边缘设备的转换与轻量化，参与转换后模型的性能比对；编写简单的接口调用示例，支持现场工程师进行集成调试；整理部署过程中的常见问题，形成排查文档，将现场调试的辅助时间平均缩短XXX小时。
工作业绩：
1.完成XXX万张工业图像的数据处理与增强，保障了X个核心检测项目的训练数据需求。
2.参与训练并优化X个缺陷检测模型，模型在标准测试集上的召回率从基线提升XXX%。
3.独立执行XXX次模型版本测试，发现并推动解决关键缺陷XXX个，测试报告准确率达XXX%。
4.支持X个项目的模型部署环节，辅助完成的模型转换成功在XXX台边缘设备上稳定运行。
[项目经历]
项目名称：液晶屏表面缺陷自动检测系统
担任角色：项目负责人
公司为XXX面板制造商定制的AI质检项目，原有产线依赖人工目检，存在效率低、标准不一致问题，漏检率高达X%，无法满足客户每日XXX万片屏幕的检测产能需求。项目需在光照不均、反光干扰严重的复杂环境下，实现划痕、脏污、亮点等十类微小缺陷的实时精准识别，并将检测节拍控制在X秒以内以匹配产线速度。
项目业绩：
1.系统成功上线，替代原有人工检测工位X个，单条产线检测效率提升XXX%。
2.模型在客户现场测试集上达到X
X.X%的检测准确率，漏检率降低至
X.X%，达到合同技术要求。
3.项目帮助客户将质检人力成本降低XXX%，年节约成本预估XXX万元，获得客户验收好评。
[教育背景]
广东工业大学
软件工程 | 本科
GPA X.XX/X.X（专业前XX%），主修机器学习、计算机视觉与Python高级编程等核心课程，参与基于深度学习的图像分类课程项目（使用PyTorch框架），在项目中负责网络模型搭建与调参部分，完成模型训练与评估，熟悉Linux开发环境与Git版本控制工具，通过大学英语六级考试。