深度学习工程师简历范文全文
自我评价
5年深度学习算法研发经验，聚焦计算机视觉与多模态方向，主导过千万级样本训练与线上推理优化。熟练使用PyTorch、TensorRT与分布式训练框架，具备从数据构建到模型部署的全链路落地能力。曾将核心模型推理延迟降低45%，支撑日均千万级调用。
工作经历
北京智瞳科技有限公司
人工智能计算机视觉
北京
深度学习工程师
PyTorch模型部署
2022年9月 - 至今
- 负责视觉识别模型研发与迭代，主导检测模型重构，线上mAP提升6.2个百分点。
- 搭建分布式训练与自动调参流程，单次训练周期由72小时缩短至28小时。
- 推动模型量化与TensorRT部署，推理延迟降低45%，单卡吞吐提升2.1倍。
上海云析数据科技有限公司
互联网大数据
上海
算法工程师（深度学习方向）
多模态模型服务化
2020年7月 - 2022年8月
- 参与多模态内容理解项目，负责文本与图像特征融合，分类准确率提升5.8个百分点。
- 构建数据清洗与标注质量校验流程，训练数据可用率由82%提升至96%。
- 完成模型服务化上线，支撑日均300万次请求，P99延迟控制在80毫秒内。
项目经验
大规模商品图像细粒度分类系统 - 算法负责人
2024年3月 - 2024年5月
- 基于ViT与对比学习构建细粒度分类方案，Top-1准确率由86.4%提升至92.1%。
- 设计半监督伪标签训练流程，人工标注量减少60%，整体训练成本下降约35%。
- 完成模型蒸馏与量化部署，端侧推理耗时降低52%，已覆盖3条业务线。
多模态图文检索优化项目 - 核心算法工程师
2022年12月 - 2023年2月
- 负责图文双塔召回模型优化，Recall@10提升9.3个百分点。
- 引入难负样本挖掘与向量索引优化，检索响应时间由120毫秒降至45毫秒。
专业技能
PyTorch
计算机视觉（检测/分类/分割）
分布式训练与混合精度
TensorRT / ONNX 模型部署
Python / C++
多模态与对比学习
教育背景
北京邮电大学
211双一流
北京
计算机科学与技术 硕士
2019年8月 - 2021年5月
研究方向为计算机视觉与深度学习，参与实验室图像识别相关课题。
武汉理工大学
211双一流
武汉
软件工程 本科
2016年8月 - 2020年5月
主修数据结构、机器学习导论、线性代数等课程，CET-6。
工作成果
模型效果突破
主导细粒度分类项目，Top-1准确率提升5.7个百分点并完成全量上线。
推理性能优化
通过量化与图优化将核心模型推理延迟降低45%，显著节省GPU成本。
团队技术认可
获公司年度技术创新奖，主导的训练流程被推广至3个算法团队使用。
证书与认证
人工智能工程师（中级） - 工业和信息化部教育与考试中心
2022年6月
证明人工智能算法与工程实践能力。
AWS Certified Machine Learning – Specialty - 亚马逊云科技
2023年9月
证明云端机器学习建模与部署能力。
就从这份范文开始
免费复制到你的账户里，每一句话、每个板块和颜色都能改，改好即可下载投递。