1. tensorRT模型优化加速
主要工作：公司算法后台引擎中的检测和分类模型为主要耗时部分，为提升算法后台效率，用tensorRT优化加速分类模型，以降低算法后台整体耗时。研究tensorRT的int8精度优化加速。
主要职责：用tensorRT加速分类模型并部署到算法后台，测试稳定性。
结果：将tensorRT运用到算法后台加速中，提升算法后台处理效率。
收获：熟悉tensorRT的优化和部署，研究了tensorRT的int8精度优化加速。
2. Paddle-Lite移动端模型移植
主要工作：用Paddle-Lite框架将deeplab_v3分割模型、mobileNet_v2_ssd检测模型和场景分类模型成功移植至移动端。
主要职责：将PyTorch模型转换成onnx模型，再用x2paddle和opt工具将onnx模型转换为Paddle-Lite模型，最后将分割、检测和分类模型移植至移动端。
结果：在移动端能够成功运行分割、检测和分类模型。
收获：熟悉移动端移植过程，解决模型转换和移植过程中遇到的相关问题。