职场资讯
正在查看初级深度学习创新简历模板文字版
陈小湾
求职意向
工作经历
XXX智能是专注为制造业提供视觉检测解决方案的AI公司，团队规模约XXX人，核心产品为工业质检平台，服务于超过XXX家制造企业，与多家行业头部客户建立长期合作。
工作概述：
1.模型开发：根据产品需求，负责缺陷检测模型的训练与调优；基于PyTorch框架构建卷积神经网络，采用数据增强技术扩充训练样本；通过调整学习率与优化器参数提升模型收敛速度，将模型在测试集上的准确率提升至XXX%。
2.数据预处理：为解决产线采集图像质量不一的问题，制定图像清洗与标注标准；使用OpenCV工具库编写脚本进行图像去噪与标准化；与数据标注团队协作审核标注结果，确保训练数据质量，将脏数据比例降低XXX%。
3.模型优化：针对模型在产线环境速度慢的问题，进行模型轻量化改造；应用知识蒸馏技术将教师模型能力迁移至轻量学生模型；利用TensorRT进行推理加速，在保证精度下降不超过XXX%的前提下，将模型推理速度提升XXX%。
4.模型部署：负责将训练好的模型交付给工程化团队；编写模型转换脚本，将PyTorch模型转换为ONNX格式；提供模型接口说明文档，并协助解决部署过程中的环境依赖问题，支持成功上线XXX个检测工位。
5.算法测试：设计模型测试方案，验证模型在实际场景中的泛化能力；构建涵盖不同光照、角度的测试数据集；记录模型误检与漏检案例，分析原因并反馈至训练环节，通过迭代将线上误报率降低XXX%。
6.模型迭代：维护已上线模型的性能监控看板；定期收集产线新出现的缺陷样本，将其加入训练集进行增量训练；建立模型重训流程，确保模型能持续适应产线变化，将模型平均失效周期延长了XXX%。
工作业绩：
1.独立完成XXX个缺陷类别的模型开发与优化，支持核心产品在XXX家客户产线落地。
2.处理并规范超过XXX万张工业图像数据，为模型训练提供高质量数据基础。
3.通过模型优化与加速，使单张图片平均检测耗时从XXX毫秒降至XXX毫秒，满足产线实时性要求。
4.主导完成X个重要模型的版本迭代工作，模型在客户产线的综合识别率稳定在XX%以上。
5.输出的模型部署规范与测试用例，成为团队标准流程，提升算法与工程团队的协作效率。
主动离职，希望有更多的工作挑战和涨薪机会。
项目经历
公司为头部面板厂商打造的核心AI质检项目，原有依赖人工目检的方式效率低下，漏检率高达X%，且无法满足7x24小时连续生产需求。项目需在复杂背景与反光干扰下，精准识别划痕、异物、脏污等超过XXX种微小缺陷，并将检测结果实时反馈至生产线控制系统，对算法精度与系统稳定性要求极高。
项目职责：
1.负责缺陷检测算法模块开发，基于U-Net架构设计分割网络，引入注意力机制提升对微小缺陷的敏感度。
2.协调数据采集流程，主导构建项目专用数据集，应用多种数据增强策略解决正负样本不均衡问题。
3.针对产线环境进行模型优化，使用模型剪枝与量化技术，将模型体积压缩XXX%，满足嵌入式设备部署的资源限制。
4.编写算法模块的单元测试与集成测试脚本，并参与制定模型上线前后的精度验证标准。
项目业绩：
1.项目成功上线，替代原有人工检测工位XXX个，单条产线每日检测面板数量提升至XXX片。
2.系统检测准确率达到X
X.X%，漏检率降低至
X.X%以内，超过客户预期指标。
3.算法模块推理效率优化XXX%，单张图像处理耗时低于XXX毫秒，保障产线节拍。
4.项目成为公司标杆案例，助力团队与客户签订后续XXX万的二期合作订单。
教育背景
GPA X.XX/4.0（专业前XX%），主修机器学习、计算机视觉与Python编程核心课程，参与基于深度学习的交通标志识别课程项目，负责数据清洗与模型训练部分，使用PyTorch实现分类网络，在测试集上取得XX%的准确率，熟悉Linux开发环境及Docker基础操作。
自我评价
培训经历
完成英伟达深度学习学院的图像分类与目标检测实践课程，系统学习并应用了TensorRT推理优化技术。将课程所学的模型优化方法应用于实际工业质检项目，通过调整精度与速度的平衡点，助力项目模型在边缘设备的部署效率提升XXX%。
初级深度学习创新简历模板
374人使用适用人群: #深度学习 #初级[1-3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智能是专注为制造业提供视觉检测解决方案的AI公司，团队规模约XXX人，核心产品为工业质检平台，服务于超过XXX家制造企业，与多家行业头部客户建立长期合作。
工作概述：
1.模型开发：根据产品需求，负责缺陷检测模型的训练与调优；基于PyTorch框架构建卷积神经网络，采用数据增强技术扩充训练样本；通过调整学习率与优化器参数提升模型收敛速度，将模型在测试集上的准确率提升至XXX%。
2.数据预处理：为解决产线采集图像质量不一的问题，制定图像清洗与标注标准；使用OpenCV工具库编写脚本进行图像去噪与标准化；与数据标注团队协作审核标注结果，确保训练数据质量，将脏数据比例降低XXX%。
3.模型优化：针对模型在产线环境速度慢的问题，进行模型轻量化改造；应用知识蒸馏技术将教师模型能力迁移至轻量学生模型；利用TensorRT进行推理加速，在保证精度下降不超过XXX%的前提下，将模型推理速度提升XXX%。
4.模型部署：负责将训练好的模型交付给工程化团队；编写模型转换脚本，将PyTorch模型转换为ONNX格式；提供模型接口说明文档，并协助解决部署过程中的环境依赖问题，支持成功上线XXX个检测工位。
5.算法测试：设计模型测试方案，验证模型在实际场景中的泛化能力；构建涵盖不同光照、角度的测试数据集；记录模型误检与漏检案例，分析原因并反馈至训练环节，通过迭代将线上误报率降低XXX%。
6.模型迭代：维护已上线模型的性能监控看板；定期收集产线新出现的缺陷样本，将其加入训练集进行增量训练；建立模型重训流程，确保模型能持续适应产线变化，将模型平均失效周期延长了XXX%。
工作业绩：
1.独立完成XXX个缺陷类别的模型开发与优化，支持核心产品在XXX家客户产线落地。
2.处理并规范超过XXX万张工业图像数据，为模型训练提供高质量数据基础。
3.通过模型优化与加速，使单张图片平均检测耗时从XXX毫秒降至XXX毫秒，满足产线实时性要求。
4.主导完成X个重要模型的版本迭代工作，模型在客户产线的综合识别率稳定在XX%以上。
5.输出的模型部署规范与测试用例，成为团队标准流程，提升算法与工程团队的协作效率。
[项目经历]
项目名称：液晶面板外观缺陷自动检测系统
担任角色：项目负责人
公司为头部面板厂商打造的核心AI质检项目，原有依赖人工目检的方式效率低下，漏检率高达X%，且无法满足7x24小时连续生产需求。项目需在复杂背景与反光干扰下，精准识别划痕、异物、脏污等超过XXX种微小缺陷，并将检测结果实时反馈至生产线控制系统，对算法精度与系统稳定性要求极高。
项目业绩：
1.项目成功上线，替代原有人工检测工位XXX个，单条产线每日检测面板数量提升至XXX片。
2.系统检测准确率达到X
X.X%，漏检率降低至
X.X%以内，超过客户预期指标。
3.算法模块推理效率优化XXX%，单张图像处理耗时低于XXX毫秒，保障产线节拍。
4.项目成为公司标杆案例，助力团队与客户签订后续XXX万的二期合作订单。
[教育背景]
江苏大学
人工智能 | 本科
GPA X.XX/4.0（专业前XX%），主修机器学习、计算机视觉与Python编程核心课程，参与基于深度学习的交通标志识别课程项目，负责数据清洗与模型训练部分，使用PyTorch实现分类网络，在测试集上取得XX%的准确率，熟悉Linux开发环境及Docker基础操作。