人工智能人工智能公司实习报告

人工智能人工智能公司实习报告一、摘要

2023年7月1日至2023年8月31日，我在人工智能公司担任算法实习生。核心工作成果包括参与开发图像识别模型，通过优化参数将模型准确率从82%提升至89%，处理超过1万张标注数据集。运用Python和TensorFlow框架实现特征提取与模型训练，编写自动化脚本减少数据处理时间20%。提炼出数据增强策略与交叉验证方法，可应用于同类模型优化。掌握的技能包括深度学习框架应用、大规模数据集处理及模型性能调优，形成可复用的模型评估流程。

二、实习内容及过程

实习目的主要是了解工业界大规模模型训练的完整流程，看看跟学校里玩小数据集有啥不一样。7月1号到8月31号，在一家做计算机视觉的创业公司实习，他们主要搞自动驾驶相关的图像分割业务。我被分到算法组，跟着一个师兄做项目。

实习内容挺具体的。刚来那会儿，主要是熟悉他们的数据平台和标注规范。那个平台挂了挺多次，数据量又大，一天就光是整理错标的数据就搞到半夜。后来我开始参与一个交通标志识别的项目，用的是UNet架构。师兄让我先跑通他们的预训练模型，处理的是去年底积累的2万张街景标注图。我发现自己写的预处理脚本效率太低，一张图要算几分钟，后来学了点并行处理的方法，用多进程把速度提到10秒一张，他们那套算力跑完全部数据要三天，我优化后两天多就搞定了。

项目中遇到的最大坎是模型泛化问题。在某个城市测试集上效果还行，但换到另一个城市就掉分严重。后来发现是光照条件差异太大，他们之前的方案没考虑这个问题。我花了两天时间整了个数据增强策略，加了随机亮度和对比度调整，再跑一遍实验，结果从68%提升到74%。师兄说这个方法挺有参考价值的，后来好几个组都在用。

做项目那会儿还接触了好多新东西，比如FP16混合精度训练，第一次用感觉内存省了不少，但调试过程真是让人头大。还有模型压缩，用了MPSO算法，把模型参数量减一半，推理速度快了快了，不过精度确实有点小损失，最后找到个平衡点。

最大的收获是认识到模型训练不是光有算法就行，数据质量太关键了。有一次为了一个样本的标注反复跟标注组沟通，他们觉得我太较真，后来发现确实该这么干。公司那套东西虽然乱，但流程挺成熟的，从需求分析到模型部署每一步都有文档。不过有时候开会真是一言堂，年轻人提点建议都不太被重视。

他们培训机制也有问题，没给新人配专属导师，都是靠自学内部文档。我有时候搞不懂某个实验为啥这样设计，只能厚着脸皮问师兄，感觉挺浪费时间的。岗位匹配度嘛，开始以为能接触核心项目，实际大部分时间在做数据预处理和跑实验，不过这样也让我对整个研发流程更了解。如果能早点接触些代码审查和需求评审会更好。

三、总结与体会

这8周，从7月1号到8月31号，感觉像是从一个只懂理论的学生，突然被扔进了全是实践的江湖。一开始吧，面对那些上万的标注数据和陌生的代码库，确实有点懵，晚上回去翻论文到凌晨是常事。但后来慢慢找到感觉，当看到自己写的脚本跑通1万张图只花了不到2小时时，真的挺有成就感的。这段经历让我明白，模型效果不是光靠参数调优就行，数据清洗和预处理那块儿太重要了，有时候一个样本的标注错误就能让整个模型白跑。

实习最大的价值是让我把学校学的那些机器学习、深度学习知识用上了，而且是用在实际项目里。比如之前学过的FP16训练，在学校小实验里根本体会不到优势，但在他们那种几百亿参数的模型上，内存占用确实少一大截。还有模型压缩那套，第一次搞MPSO算法调参数时，简直是在跟它较劲，但最后看到模型大小减一半、推理速度还提了一点点时，觉得一切都值了。这些真材实料的东西，比单纯发几篇论文都让人踏实。

对我职业规划的影响挺大的。以前觉得做算法挺好，现在明白工业界的研发流程更复杂，不光要懂技术，沟通协调能力、抗压能力同样重要。他们那套快速迭代的开发模式，让我意识到自己反应速度还得练。未来打算在模型优化这块再深钻一下，特别是量化训练和知识蒸馏，准备下学期报考相关的专业证书，把学到的技能补得更扎实。另外，看到他们有时候因为资源分配问题导致实验延期，也让我开始思考技术管理这块儿。

对行业趋势的体会也挺深。现在大模型确实火，但很多场景还是传统模型加专用优化更实用。像我们做的交通标志识别，虽然也在尝试用Transformer，但UNet类方法在精度和效率上还是有点优势。感觉未来几年，怎么在模型效果和推理成本间找到平衡点，会是个挺重要的方向。另外，数据隐私和安全这块儿也该越来越受重视了。这次实习让我看到，技术光炫酷没用，得能落地，得解决问题。从学生到职场人的心态转变挺明显的，以前做实验失败了就有点沮丧，现在明白迭代是常态，关键是快速找到问题在哪，怎么解决。这些经历，不管是技能上的积累，还是心态上的变化，都会成为我以后学习和求职的底气。

四、致谢

感谢在实习期间给予我指导和帮助的团队。师兄在项目上耐心解答我的问题，帮我从头到尾梳理了整个模型训练流程。同事们也很热心，经常分