智能科学与技术智能科学实习报告

智能科学与技术智能科学实习报告一、摘要2023年7月10日至2023年9月5日，我在智能科学与技术智能科学岗位实习，为期8周。核心工作成果包括完成10个基于深度学习的图像分类模型训练，准确率提升至92.3%，其中VGG16模型在CIFAR10数据集上达到89.7%。应用PyTorch框架进行模型优化，通过动态调整学习率策略将训练时间缩短30%，内存占用减少25%。提炼出可复用的迁移学习方法论，将预训练模型在特定领域数据集微调时，参数调整效率提升40%。掌握GPU加速并行计算技术，单次模型推理时间从1.5秒降至0.75秒。二、实习内容及过程2023年7月10日到9月5日，我在一家做智能算法应用的公司实习，岗位是智能科学方向。实习目标是把学校学的深度学习知识用到实际项目中，了解工业界模型部署和优化的流程。公司主要做计算机视觉相关的项目，客户覆盖零售和制造行业，用到的技术栈主要是PyTorch和TensorFlow，环境是Linux系统。第1到3周跟着导师熟悉业务需求，参与了一个超市商品自动分类的项目。需要把摄像头拍的图片分类到20个品类里，数据集有5000张标注好的图片。我负责预处理阶段，用OpenCV处理光照不均的问题，把图片统一缩放到224x224分辨率，对比度归一化。发现原始数据集中有15%的图片标签错误，手动修正了600张，避免模型训练时产生误导。导师教我用交叉验证法评估模型，我搭建了一个简单的VGG16网络，在验证集上准确率到86%，比老师给的基线模型高3个百分点。期间还学了模型剪枝技术，把模型参数量减少40%，推理速度没明显下降。第4到6周独立负责优化一个已有模型。客户反馈在特殊光线条件下识别率低，我分析是特征提取层不够鲁棒。花了2周时间重写卷积层，引入残差连接，新增了批归一化操作。重新训练后，在昏暗环境下的mAP从0.58提升到0.71。但过程踩了不少坑，比如GPU显存爆了多次，最后学会用TensorBoard动态监控显存使用。还有次模型过拟合，花了1天调试才改成早停策略。第7到8周参与模型部署测试。技术组用ONNX格式转换模型，我在边缘设备上做压测，发现推理延迟稳定在85毫秒。客户现场环境有网络波动，我加了个超时重试机制，把失败率从12%降到3%。最后整理了实验报告，列出不同参数下的性能表现，供运维团队参考。实习期间遇到的最大困难是初期不熟悉业务场景。比如有个项目要求1秒内完成10类物体检测，学校课题用的数据集都小很多。我花了3天研究工业相机图像特点，发现噪声比实验室数据严重，就改用SSD框架的轻量级模型，还调了NMS算法的阈值。这个经历让我明白，模型效果不光看算法，还得懂实际应用限制。现在看论文会特别关注"underthehood"的实现细节，比如梯度累积怎么用能减少通信开销。公司的培训机制比较松散，没人系统讲工程化流程，这点挺遗憾的。建议可以搞个新人训练营，把模型量化、版本控制这些实操内容编进课。岗位匹配度上，我接触的算法任务比预想的更偏研究，但收获还是很大的。这段经历让我意识到，做算法不能闭门造车，得盯着真实数据需求调整方向。以后想往工业视觉方向走，这次经验帮了大忙。三、总结与体会这8周，从2023年7月10日到9月5日，实习经历像给我上了堂生动的实践课。以前看论文觉得Transformer架构很酷，上手试试才懂，参数没调好比没调还糟糕。在处理那个超市商品分类项目时，5000张数据集里我花了半天时间发现15%的标签错了，改完才明白数据清洗有多重要。模型在测试集上92%的准确率，比预想的低，后来发现是测试集和训练集光照条件差异大，这让我记住，工业界的挑战比学校作业复杂得多。实习让我看清了自己的短板。比如写代码时总想用最时髦的方法，结果效率不高，最后导师教我用PyTorch的`torch.jit`导出模型，打包部署比直接跑脚本快一倍。这段经历直接影响了我的职业规划，原本想搞纯理论研究，现在更想往工业视觉算法工程师方向发展。公司用的ONNX格式转换、模型量化这些技术，我之前都没接触过，回去打算系统学一下，明年争取考个深度学习工程师认证。行业趋势挺明显的，现在都在搞边缘计算和实时推理，我实习时参与的方案要求850毫秒内出结果，这逼着我对模型压缩、知识蒸馏这些技术产生了浓厚兴趣。感觉这次实习像个闭环，学校学的CNN、RNN基础还在，但怎么落地靠的是实习里摸爬滚打积累的工程经验。最大的收获是心态转变，以前觉得做个99%准确率就很了不起了，现在明白商业场景要的是稳定性，那天调试显存崩溃的晚上，才真切感受到责任。未来会继续啃技术难题，比如想研究下如何在资源受限的设备上跑更大的模型，把实习时学的迁移学习法用得更深。四、致谢感谢实习单位给我这个机会，让我在8周时间里接触到了真实的智能科学项目。特别感谢导师的悉