人工智能人工智能公司实习生实习报告

人工智能人工智能公司实习生实习报告一、摘要

2023年7月1日至2023年8月31日，我在一家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一个图像识别模型，通过优化算法将模型准确率从85%提升至92%，处理并分析超过10万张标注数据集，其中错误率低于2%。应用了深度学习框架TensorFlow和Python编程技能，利用Keras构建并训练模型，使用JupyterNotebook进行数据可视化。提炼出可复用的数据处理方法论：采用数据增强技术提升模型泛化能力，通过日志记录分析训练过程中的梯度变化，验证了学习率对收敛速度的影响。

二、实习内容及过程

2023年7月1日到8月31日，我在一家人工智能公司实习，岗位是算法实习生。主要目标是学习实际项目中的模型开发流程，把学校学的理论用起来。公司主要做自然语言处理和计算机视觉项目，有挺多成熟的团队和案例库，我这8周主要跟在其中一个视觉团队。

第1到3周，熟悉环境，参与了一个图像分类项目的数据预处理。原始数据集有15万张标注图片，类别不平衡，比如猫的图片有5万张，狗的只有2万张。我用了数据增强，旋转、翻转、亮度调整，还试了SMOTE过采样，最后集成的数据集类别分布均匀了，标注错误率从3%降到1%以下。导师建议我用TensorFlow的DataAPI批量处理，效率比Pandas快3倍。

第4到6周，开始接触模型训练。项目要求识别小物体，比如图片里的人脸，精度要达到95%。我用了EfficientNetB3作为基础模型，但初期mAP（meanAveragePrecision）只有75%。后来发现问题是训练数据里很多遮挡样本，我手动筛选了2000个重标注，还加了FocalLoss优化损失函数，最终mAP提升到88%。过程中踩了不少坑，比如学习率设置太高导致loss震荡，最后改用余弦退火学习率调度。

第7到8周，参与模型部署测试。把训练好的模型转成ONNX格式，在移动端跑发现推理速度太慢。我学了量化技术，用PostTrainingQuantization把FP16精度降到INT8，推理速度加快了40%，但准确率掉到86%，最后调到INT8+FP16混合精度，速度和精度都达标了。

遇到的困难主要是刚开始不熟悉公司代码规范，提交的代码老被mergerejected，后来每天上班先看团队GitLab里的Wiki，现在冲突少多了。另一个问题是模型训练时GPU显存爆了，导师教我用混合精度训练，还推荐了TPU，说以后大模型训练用这个更香。

这段时间收获挺大的，把课程里学的CNN、Transformer都实践了，还学了数据增强、损失函数优化、模型量化这些实战技巧。最大的转变是意识到工业界对效率要求特别高，以前写代码只管对不对，现在要考虑训练速度、推理成本。比如同精度下MobileNetV3比ResNet轻量化模型快不少。

公司管理上，有时候任务分配不太合理，我跟着的视觉组在赶一个竞品发布会，需求变更频繁，有两天晚上被拉去临时debug。培训机制也一般，入职培训就半天，很多工具得靠自己摸索。岗位匹配度方面，虽然学了不少东西，但感觉还是偏研究，比如我提的某个模型结构优化建议，最后还是资深工程师在实现，有点遗憾。

改进建议是希望公司能多搞点内部技术分享会，特别是针对新入职员工，现在我们组都在用的一些高级技术，比如LoRA微调，很多新人还不清楚原理。另外可以建个内部代码库，把那些反复用的数据处理脚本、模型部署模板都放上去，省得大家重复造轮子。

三、总结与体会

这8周在人工智能公司的经历，让我把过去两年学的理论知识真正用在了刀刃上，感觉像是把书本里的抽象概念变成了能跑通的代码和能看懂的结果。7月1号刚进公司时，面对导师给的图像分类任务，连数据集怎么高效处理都愁，后来通过实践DataAPI的prefetch和cache方法，处理10万张标注图片的速度比原来快了快一倍多，这个过程让我真切感受到工程实践和纯粹研究的差别。

实习最大的收获是明白了自己未来想做什么。之前觉得NLP和CV都挺有意思，但这次参与的项目让我更倾向于做视觉方向的模型优化，特别是轻量化部署这块，导师提到的端侧AI设备算力限制问题，我觉得很有意思。现在每天都在想怎么把EfficientNet和MobileNet结合起来，再研究下联邦学习在隐私保护上的应用，感觉这几个月的积累，如果去考个深度学习工程师的证书，会更有底气。

行业趋势这块，明显感觉到大模型热潮下，很多公司都在做模型蒸馏和微调，把训练好的千亿参数模型压缩到手机上跑。我们组用的INT8量化，精度损失控制在5%以内，速度提升40%的案例，现在很多创业公司都在搞这个，感觉这块儿很有前景。不过我也发现，现在很多团队还在用几年前的技术方案，比如FP16训练，完全没有考虑边缘设备的内存限制，这种时候，学校教的那些基础理论反而成了我的优势，比如我知道FP16的梯度精度问题，知道如何用混合精度训练规避。

从学生到职场人的心态转变挺明显的。以前做实验失败，可能抱怨一下导师方向不对，现在明白项目交付是有时间线的，7月25号那个竞品发布会，我们组连续熬了3天，虽然最后模型精度只从88%提升到90%，但客户那边很满意。这种经历让我知道，责任感不是喊口号的，是体现在凌晨3点的咖啡杯上。现在写代码会特别在意注释和变量命名，导师说的"代码是写给人看的"，以前不觉得，现在才懂。

未来打算在模型压缩这块继续深耕，下学期会系统的学下PyTorchMobile和TensorRT的优化技巧，听说最近有个AI芯片厂商在招轻量化算法工程师，准备把之前做的那个INT8+FP16混合精度训练的demo再优化一下，加上AB测试的效果分析，投简历时说不定能加分不少。总的来说，这8周不仅让我把专业知识用活了，更让我看清了未来想走的路，感觉挺值的。

四、致谢

感谢实习期间给予指导的导师，在项目推进和问题解决上给了我很多具体帮助，特别是模型量化那块，耐心讲解了FP16和INT8的精度损失差异。

感谢团