在硕士期间，专注于深度学习相关课程学习，如《深度学习算法原理》《神经网络优化》等，GPA 3.8（满分 4.0）。参与导师的图像识别相关科研项目，负责部分算法优化工作，发表学术论文 1 篇，培养了扎实的理论基础和科研能力。

• 负责公司深度学习模型的优化工作，针对图像分类模型，通过对卷积层参数调整、引入轻量化网络结构等方式，将模型推理速度提升 30%，内存占用降低 25%，在实际业务场景中使图像分类吞吐量提高 20%。
• 参与公司自然语言处理模型优化项目，与团队成员协作，对循环神经网络（RNN）进行改进，采用长短时记忆网络（LSTM）替代部分 RNN 结构，使文本情感分析准确率从 85%提升至 90%，项目上线后处理文本量达百万级/日。
• 持续关注深度学习领域前沿技术，定期组织内部技术分享会，将最新的模型压缩、量化等技术引入团队，提高团队整体技术水平。

• 主导公司自动驾驶深度学习模型优化，针对目标检测模型，运用知识蒸馏技术，将复杂大模型的知识迁移到轻量级模型，使模型在保持检测精度（mAP 仅下降 2%）的前提下，推理速度提升 40%，满足自动驾驶实时性要求，该优化方案已在公司多款自动驾驶产品中应用。
• 搭建深度学习模型性能评估体系，涵盖模型推理速度（不同硬件平台测试）、内存占用、精度等多维度指标，为模型优化提供数据支撑，通过该体系评估优化了 5 款不同类型深度学习模型，平均使模型性能提升 20%以上。
• 与硬件团队紧密合作，针对公司自研 AI 芯片，对深度学习模型进行定制化优化，通过算子融合、数据布局调整等手段，使模型在自研芯片上的运行效率提高 35%，助力公司硬件与软件协同发展。

• 项目背景：公司视频平台用户量激增，原有视频分类模型性能不足，无法满足实时分类需求。
• 项目任务：作为核心成员负责视频分类模型优化。对 3D 卷积神经网络进行优化，采用时空分离卷积减少计算量，引入注意力机制增强关键帧特征提取。
• 项目成果：优化后的模型在保证分类准确率（从 88%提升至 92%）的同时，推理速度提升 50%，成功部署在公司视频平台，每日处理视频量达 10 万+，降低了平台运营成本，提高了用户体验。

• 项目背景：公司医疗影像诊断业务拓展，需要更高效准确的肺部疾病诊断模型。
• 项目任务：负责肺部疾病诊断模型优化。对 U-Net 模型进行改进，加入残差连接解决梯度消失问题，采用多尺度特征融合提升对不同大小病灶的检测能力。
• 项目成果：优化后的模型在内部测试数据集上，对肺部结节、肺炎等疾病的检测准确率从 80%提升至 93%，推理速度提高 30%，已在合作医院试点应用，辅助医生诊断病例 5000+，缩短了诊断时间，提高了诊断效率。