计算机科学与技术科创公司软件工程师实习报告

计算机科学与技术科创公司软件工程师实习报告一、摘要2023年7月1日至2023年8月31日，我在一家专注于人工智能算法研发的科创公司担任软件工程师实习生。核心工作成果包括参与开发智能推荐系统，通过优化算法将系统响应时间缩短15%，日均处理用户请求量提升至50万次。期间应用Python和C++实现数据处理模块，使用TensorFlow搭建并调优深度学习模型，准确率从82%提升至89%。提炼出的可复用方法论包括：模块化设计提升代码可维护性，通过Jenkins实现自动化测试覆盖率80%。这些实践验证了分布式计算与机器学习框架在实际业务中的高效结合。二、实习内容及过程2023年7月1日到8月31日，我在一家做计算机视觉的科创公司实习，岗位是软件工程师。实习目的是把学校学的数据结构和算法知识用上，看看工业界怎么搞项目。公司主要搞人脸识别和车辆检测，用的是深度学习框架，环境是Python和C++混合。我跟着团队做智能门禁系统，主要是优化视频流处理模块。原系统每秒处理帧数只有30，卡得厉害。我花了两周用多线程把数据处理链路拆分，加上GPU加速，最后跑到120帧每秒，老板挺满意。具体是用了OpenCV做图像预处理，CUDA优化卷积层，把CPU占用的CPU核数从8降到2。期间还参与过模型部署，把训练好的ONNX模型转成TensorRT格式，在边缘设备上跑，推理速度快了约40%。遇到最大挑战是初期对硬件加速不熟，调试了几次都没找到瓶颈。后来问了带我的师兄，才知道得懂NVIDIA的CUDA编程，不是光改代码就行。我就去网上找教程，啃了《CUDA编程指南》前五章，还用Jupyter写了几个小实验验证算法效果。实习收获是搞懂了模型量化这种东西，知道怎么在精度和速度间做取舍。以前觉得算法好就行，现在明白还得考虑硬件限制。比如我们用INT8量化，MPS性能翻倍但准确率掉不到2%。最直观的是学会了GitFlow这种版本管理流程，之前都是乱commit，现在分支管理清晰多了。公司培训机制其实一般，入职没给完整技术栈培训，很多东西都得自己摸索。建议他们搞个新人技术手册，把常用库和踩过的坑都写明白。另外岗位匹配度上，我发现自己数据库这块挺弱，SQL写得磕磕巴巴，要是学校多开点数据库课就好了。可以建议学校增加PostgreSQL的实践课，或者搞个企业项目对接。三、总结与体会这八周，从2023年7月到8月，在公司的经历像把理论往实践上硬套，感觉挺有意思。之前学算法、学数据结构，觉得搞懂了就行，去了发现完全不够用。比如我们那个项目，用深度学习做图像识别，光知道CNN原理不够，还得会调参，会跟硬件打交道，比如怎么在GPU上跑优化，怎么用TensorRT打包模型。我花了两周搞懂了这些，最后把系统性能提上去，这种成就感挺强的。实习最大的价值是让我看清了自己的短板。学校里教得深，但太偏理论，像分布式系统、微服务这些，实际项目里用Kubernetes集群管理，各种日志、监控要配合，这些在学校几乎接触不到。我发现自己的数据库操作特别菜，SQL写得很笨，后来天天琢磨索引优化，才慢慢有点感觉。这让我意识到，学计算机不能只埋头写代码，还得懂系统怎么跑，懂怎么把代码弄成能赚钱的产品。这次经历直接影响了我的职业规划。我本来觉得做算法研究挺好，现在觉得更想去搞工程，把技术落地。比如公司那个门禁系统，虽然简单，但整个开发流程，从需求分析到测试上线，每一步都挺规范。我回去打算系统补补Linux运维和Docker这些课，争取下个学期考个CKA认证，不然真进不了那种公司。行业现在这么卷，光会写代码真不行，得懂全栈，懂怎么把系统搞得更稳、更快。最直观的感受是心态变了。以前觉得写个Bug修修补补就行，现在知道每个改动可能影响整个系统，得特别小心。比如有一次我改了推荐算法参数，结果把别的功能搞挂了，被带我的师兄骂了一顿，那顿骂让我记了好久。现在写代码前会多想几步，查查文档，问问别人，感觉责任感重了不少。这种从学生到半个职场人的转变挺奇妙的，虽然累，但成长真的快。四、致谢感谢公司给我这次实习机会，让我接触到了真实的工程项目。感谢带我的导师，在遇到技术难题时耐心指导，比如那个GPU加速的问题，是他点醒了我该从CUDA入手。感谢