电子与信息科学科研机构研究员实习报告

电子与信息科学科研机构研究员实习报告一、摘要2023年6月5日至8月23日，我在电子与信息科学科研机构担任研究员实习生。期间，负责完成基于深度学习的图像识别算法优化项目，通过改进卷积神经网络结构，将测试集上目标识别准确率从82.3%提升至91.6%，mAP指标提高18.7%。核心工作包括设计并实现轻量化模型架构，利用PyTorch框架搭建实验平台，累计编写并调试代码超过1500行。熟练应用交叉验证、网格搜索等方法进行参数调优，验证了批量归一化层对模型泛化能力提升的显著效果（验证数据：验证集损失下降23.4%）。提炼出“小步迭代优化”的专业方法论，适用于复杂算法模型的快速验证与迭代。二、实习内容及过程2023年6月5日到8月23日，我在电子与信息科学科研机构实习，岗位是研究员助理。单位主要研究智能感知算法，我参与的课题是改进视频里的行人重识别模型。初期目标是把公开数据集上mAP提升5%，实际通过设计新的特征融合策略，结果提高了12%。我每天早上8点到实验室，整理前人实验记录，到12点前完成文献综述草稿，下午2点到6点调试代码，晚上偶尔要处理数据。具体工作包括用PyTorch复现了一个基于Transformer的模型，原始模型在COCO数据集上mAP是65.3%，我通过调整注意力机制参数，跑完一轮实验到7月15日，准确率到68.7%。遇到的最大困难是内存溢出，模型推理时显存占满，卡死好几次。我花了3天研究半精度训练，把FP32改成FP16，加上梯度累积，到7月25日终于跑通，推理速度翻倍。8月1日参与项目汇报，展示了模型在MARS测试集上结果，从58.2%提高到63.4%，同事说我的特征融合部分很有参考价值。期间还学习了如何用tSNE可视化高维特征，发现改进后的特征分布更聚集。机构培训比较松散，有时候导师忙就没人指导，我只好主动找师兄请教，他给我推荐了几个好用的代码模板。岗位需求挺明确的，但有时会被临时拉去做行政工作，效率不高。我觉得这次实习最大的收获是学会了怎么处理实验数据，以前都是小批量测试，这次要管理几十GB的标注数据，用了Pandas和Dask才搞定。最大的教训是太依赖现成工具，后来发现用Shell脚本批量跑实验能省不少事。如果单位能提供更系统的训练，比如每周固定技术分享，我可能进步更快。现在想多学学模型压缩技术，希望能把模型做小点，方便在嵌入式端用。三、总结与体会这8周，从2023年6月5日到8月23日，感觉像是从校园到行业的快速过山车。实习结束回头看，最大的收获不是那些亮眼的数字，而是突然明白做研究不能光靠idea，得把每个环节抠透。比如改进的那个图像识别模型，mAP提升12%听起来还行，但关键是我学会了怎么把实验设计得更扎实，从数据清洗到模型调优，每一步的记录都得留得明明白白。原来在实验室待着，每天对着电脑跑几百次实验，出点小bug都让人心烦意乱，但硬着头皮也能啃下来，这种经历比在课堂上做项目实在多了。最深刻的体会是认识到自己的不足，比如7月10号那个内存溢出的问题，折腾了快一周才用半精度训练解决，当时真是觉得头大，但搞明白之后觉得挺有成就感。现在回头看，这种踩坑的经历太宝贵了，直接让我明白做技术不能怕麻烦，得多学点底层知识。实习最后那两周，我主动帮师兄整理了实验文档，他私下跟我说“你这数据记录比我还规范”，虽然有点小开心，但也意识到离真正的研究员还差得远。这次经历让我更清楚自己想要什么。比如8月15号听完那个关于边缘计算的讲座，突然觉得这技术特别适合现在做的小模型优化，要是以后能往这方向深挖，或许能做出点啥。接下来打算把实习里用到的那些深度学习技巧再系统学一遍，特别是模型压缩这块，感觉很有前景。另外，那个mAP提升的细节我用了GridSearch+LearningRateScheduling的组合，后来发现很多竞赛选手都用这套方法，看来得把这块技能练得更熟练，争取拿个相关证书，以后简历上也能撑场面。行业里现在都在说端侧智能，感觉这领域机会挺大，实习里积累的实践经验要是能持续跟进，以后找工作或者读研都有底。从学生到“准职场人”的心态转变挺明显的，以前觉得做点东西就行，现在明白做研究得有责任心，得想着怎么把东西做得更可靠，这种责任感是学校里学不到的。四、致谢感谢电子与信息科学科研机构给我这次实习机会。感谢导师在实习期间给予的指导，尤其是在模型调试和实验设计上的点拨。感