安迪
AI研发工程师
桂林谷科林科技有限公司 · 1年经验
日薪：
￥500/8h
地点：
广州 荔湾
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
课程项目：基于 PyTorch 的图像分类模型实现 | 2024.03 - 2024.6
跟随课程要求，使用 Python 与 PyTorch 完成简易图像分类任务，基于 CIFAR-10 数据集搭建基础 CNN 模型（含卷积层、池化层、全连接层），编写训练脚本实现数据加载、前向传播与反向传播，通过调整学习率（0.01→0.001）和迭代次数（50→80），使模型准确率从 65% 提升至 78%。
独立完成数据预处理流程：使用 Pandas 清洗数据集标签，用 OpenCV 对图像进行简单增强（如尺寸统一、灰度化），通过 Matplotlib 可视化样本分布，理解数据分布对模型效果的影响，形成完整的 "数据 - 模型 - 训练" 实验报告。
数据标注实践：校园植物图像数据集整理 | 2023.10 - 2023.12
参与校内 AI 社团的植物识别项目，负责 1000 张校园植物图像的标注工作，使用 LabelImg 工具标注植物类别与轮廓框，制定基础标注规则（如区分乔木 / 灌木、明确框选范围），通过交叉检查将标注错误率控制在 8% 以内。
用 Python 脚本批量处理标注数据：编写简单代码校验标注文件格式（XML 转 JSON），统计各类别样本数量，发现样本不均衡问题后，手动补充 200 张稀缺类别的植物图像，为后续模型训练提供更均衡的数据集。
自学实践：PyTorch 基础训练框架搭建
自学 PyTorch 官方教程，独立搭建简易训练框架：实现数据加载器（DataLoader）、损失函数（交叉熵）、优化器（SGD/Adam）的调用，完成 MNIST 手写数字识别任务，通过调整 batch size（8→32）和激活函数（ReLU 替换 Sigmoid），缩短单轮训练时间 30%，最终测试集准确率达 95%。
记录训练过程中的参数变化与结果，用 Excel 绘制损失曲线和准确率变化图，分析过拟合现象（如训练集准确率 98% vs 测试集 85%），尝试添加 Dropout 层缓解，初步理解模型优化的基本思路。
跟随课程要求，使用 Python 与 PyTorch 完成简易图像分类任务，基于 CIFAR-10 数据集搭建基础 CNN 模型（含卷积层、池化层、全连接层），编写训练脚本实现数据加载、前向传播与反向传播，通过调整学习率（0.01→0.001）和迭代次数（50→80），使模型准确率从 65% 提升至 78%。
独立完成数据预处理流程：使用 Pandas 清洗数据集标签，用 OpenCV 对图像进行简单增强（如尺寸统一、灰度化），通过 Matplotlib 可视化样本分布，理解数据分布对模型效果的影响，形成完整的 "数据 - 模型 - 训练" 实验报告。
数据标注实践：校园植物图像数据集整理 | 2023.10 - 2023.12
参与校内 AI 社团的植物识别项目，负责 1000 张校园植物图像的标注工作，使用 LabelImg 工具标注植物类别与轮廓框，制定基础标注规则（如区分乔木 / 灌木、明确框选范围），通过交叉检查将标注错误率控制在 8% 以内。
用 Python 脚本批量处理标注数据：编写简单代码校验标注文件格式（XML 转 JSON），统计各类别样本数量，发现样本不均衡问题后，手动补充 200 张稀缺类别的植物图像，为后续模型训练提供更均衡的数据集。
自学实践：PyTorch 基础训练框架搭建
自学 PyTorch 官方教程，独立搭建简易训练框架：实现数据加载器（DataLoader）、损失函数（交叉熵）、优化器（SGD/Adam）的调用，完成 MNIST 手写数字识别任务，通过调整 batch size（8→32）和激活函数（ReLU 替换 Sigmoid），缩短单轮训练时间 30%，最终测试集准确率达 95%。
记录训练过程中的参数变化与结果，用 Excel 绘制损失曲线和准确率变化图，分析过拟合现象（如训练集准确率 98% vs 测试集 85%），尝试添加 Dropout 层缓解，初步理解模型优化的基本思路。
项目经验
课程作业：基于 PyTorch 的手写数字识别模型训练
跟随课程要求完成基础机器学习项目，使用 PyTorch 框架搭建简易神经网络，加载 MNIST 数据集并完成数据预处理（图像归一化、维度转换），通过调整网络层数（从 2 层增至 3 层）和隐藏层神经元数量（128→256），优化模型训练效果。
独立编写训练脚本，实现损失函数（交叉熵）和优化器（SGD）的调用，记录 10 轮训练过程中的损失值变化，最终模型在测试集上的准确率达到 96%，比初始版本提升 8 个百分点。
用 Matplotlib 绘制训练 / 测试准确率曲线，分析模型在数字 “8” 和 “9” 上易混淆的原因，尝试增加 500 条难例样本进行补充训练，初步理解数据质量对模型效果的影响。
个人探索：校园花卉图像分类小项目
出于对计算机视觉的兴趣，自主开展小型分类项目，收集校园内 5 种常见花卉图像共 800 张（每种 150-170 张），使用 LabelImg 工具完成类别标注，生成 Pascal VOC 格式标注文件。
基于 PyTorch 搭建轻量级 CNN 模型，参考网上教程实现数据加载（自定义 Dataset 类）和简单数据增强（随机翻转、亮度调整），通过控制变量法测试不同学习率（0.01/0.001）对训练的影响，最终模型在验证集上准确率达 82%。
整理项目过程形成技术文档，包含数据集介绍、模型结构设计图、训练参数记录表和结果分析，其中对 “月季” 与 “蔷薇” 分类混淆的问题提出可能的改进方向（增加花瓣细节特征标注），加深对 “数据 - 模型 - 结果” 关联关系的理解。
社团实践：校园活动照片数据集整理与预处理
参与校内 AI 社团的数据整理项目，负责 2000 张校园活动照片的分类与预处理，使用 Label Studio 标注照片中的场景类别（如运动会、晚会、讲座），通过 Excel 统计标注进度，确保两周内完成分配任务。
用 Python 编写简单脚本（Pandas+OS 库）批量处理图像文件：统一调整尺寸至 224×224 像素，转换格式为 JPG，剔除模糊、重复的低质量样本 300 余张，处理后的数据按 8:2 比例划分为训练集和验证集，存储为模型可直接读取的格式。
参与社团内部分享会，介绍数据预处理过程中遇到的格式转换问题及解决方法，获得学长学姐关于 “样本均衡性处理” 的建议，后续补充 50 张稀缺场景照片，为社团后续的图像分类模型训练提供基础数据支持。
跟随课程要求完成基础机器学习项目，使用 PyTorch 框架搭建简易神经网络，加载 MNIST 数据集并完成数据预处理（图像归一化、维度转换），通过调整网络层数（从 2 层增至 3 层）和隐藏层神经元数量（128→256），优化模型训练效果。
独立编写训练脚本，实现损失函数（交叉熵）和优化器（SGD）的调用，记录 10 轮训练过程中的损失值变化，最终模型在测试集上的准确率达到 96%，比初始版本提升 8 个百分点。
用 Matplotlib 绘制训练 / 测试准确率曲线，分析模型在数字 “8” 和 “9” 上易混淆的原因，尝试增加 500 条难例样本进行补充训练，初步理解数据质量对模型效果的影响。
个人探索：校园花卉图像分类小项目
出于对计算机视觉的兴趣，自主开展小型分类项目，收集校园内 5 种常见花卉图像共 800 张（每种 150-170 张），使用 LabelImg 工具完成类别标注，生成 Pascal VOC 格式标注文件。
基于 PyTorch 搭建轻量级 CNN 模型，参考网上教程实现数据加载（自定义 Dataset 类）和简单数据增强（随机翻转、亮度调整），通过控制变量法测试不同学习率（0.01/0.001）对训练的影响，最终模型在验证集上准确率达 82%。
整理项目过程形成技术文档，包含数据集介绍、模型结构设计图、训练参数记录表和结果分析，其中对 “月季” 与 “蔷薇” 分类混淆的问题提出可能的改进方向（增加花瓣细节特征标注），加深对 “数据 - 模型 - 结果” 关联关系的理解。
社团实践：校园活动照片数据集整理与预处理
参与校内 AI 社团的数据整理项目，负责 2000 张校园活动照片的分类与预处理，使用 Label Studio 标注照片中的场景类别（如运动会、晚会、讲座），通过 Excel 统计标注进度，确保两周内完成分配任务。
用 Python 编写简单脚本（Pandas+OS 库）批量处理图像文件：统一调整尺寸至 224×224 像素，转换格式为 JPG，剔除模糊、重复的低质量样本 300 余张，处理后的数据按 8:2 比例划分为训练集和验证集，存储为模型可直接读取的格式。
参与社团内部分享会，介绍数据预处理过程中遇到的格式转换问题及解决方法，获得学长学姐关于 “样本均衡性处理” 的建议，后续补充 50 张稀缺场景照片，为社团后续的图像分类模型训练提供基础数据支持。
安迪
AI研发工程师 · 1年经验 · 桂林谷科林科技有限公司
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
课程项目：基于 PyTorch 的图像分类模型实现 | 2024.03 - 2024.6
跟随课程要求，使用 Python 与 PyTorch 完成简易图像分类任务，基于 CIFAR-10 数据集搭建基础 CNN 模型（含卷积层、池化层、全连接层），编写训练脚本实现数据加载、前向传播与反向传播，通过调整学习率（0.01→0.001）和迭代次数（50→80），使模型准确率从 65% 提升至 78%。
独立完成数据预处理流程：使用 Pandas 清洗数据集标签，用 OpenCV 对图像进行简单增强（如尺寸统一、灰度化），通过 Matplotlib 可视化样本分布，理解数据分布对模型效果的影响，形成完整的 "数据 - 模型 - 训练" 实验报告。
数据标注实践：校园植物图像数据集整理 | 2023.10 - 2023.12
参与校内 AI 社团的植物识别项目，负责 1000 张校园植物图像的标注工作，使用 LabelImg 工具标注植物类别与轮廓框，制定基础标注规则（如区分乔木 / 灌木、明确框选范围），通过交叉检查将标注错误率控制在 8% 以内。
用 Python 脚本批量处理标注数据：编写简单代码校验标注文件格式（XML 转 JSON），统计各类别样本数量，发现样本不均衡问题后，手动补充 200 张稀缺类别的植物图像，为后续模型训练提供更均衡的数据集。
自学实践：PyTorch 基础训练框架搭建
自学 PyTorch 官方教程，独立搭建简易训练框架：实现数据加载器（DataLoader）、损失函数（交叉熵）、优化器（SGD/Adam）的调用，完成 MNIST 手写数字识别任务，通过调整 batch size（8→32）和激活函数（ReLU 替换 Sigmoid），缩短单轮训练时间 30%，最终测试集准确率达 95%。
记录训练过程中的参数变化与结果，用 Excel 绘制损失曲线和准确率变化图，分析过拟合现象（如训练集准确率 98% vs 测试集 85%），尝试添加 Dropout 层缓解，初步理解模型优化的基本思路。
跟随课程要求，使用 Python 与 PyTorch 完成简易图像分类任务，基于 CIFAR-10 数据集搭建基础 CNN 模型（含卷积层、池化层、全连接层），编写训练脚本实现数据加载、前向传播与反向传播，通过调整学习率（0.01→0.001）和迭代次数（50→80），使模型准确率从 65% 提升至 78%。
独立完成数据预处理流程：使用 Pandas 清洗数据集标签，用 OpenCV 对图像进行简单增强（如尺寸统一、灰度化），通过 Matplotlib 可视化样本分布，理解数据分布对模型效果的影响，形成完整的 "数据 - 模型 - 训练" 实验报告。
数据标注实践：校园植物图像数据集整理 | 2023.10 - 2023.12
参与校内 AI 社团的植物识别项目，负责 1000 张校园植物图像的标注工作，使用 LabelImg 工具标注植物类别与轮廓框，制定基础标注规则（如区分乔木 / 灌木、明确框选范围），通过交叉检查将标注错误率控制在 8% 以内。
用 Python 脚本批量处理标注数据：编写简单代码校验标注文件格式（XML 转 JSON），统计各类别样本数量，发现样本不均衡问题后，手动补充 200 张稀缺类别的植物图像，为后续模型训练提供更均衡的数据集。
自学实践：PyTorch 基础训练框架搭建
自学 PyTorch 官方教程，独立搭建简易训练框架：实现数据加载器（DataLoader）、损失函数（交叉熵）、优化器（SGD/Adam）的调用，完成 MNIST 手写数字识别任务，通过调整 batch size（8→32）和激活函数（ReLU 替换 Sigmoid），缩短单轮训练时间 30%，最终测试集准确率达 95%。
记录训练过程中的参数变化与结果，用 Excel 绘制损失曲线和准确率变化图，分析过拟合现象（如训练集准确率 98% vs 测试集 85%），尝试添加 Dropout 层缓解，初步理解模型优化的基本思路。
项目经验
课程作业：基于 PyTorch 的手写数字识别模型训练
跟随课程要求完成基础机器学习项目，使用 PyTorch 框架搭建简易神经网络，加载 MNIST 数据集并完成数据预处理（图像归一化、维度转换），通过调整网络层数（从 2 层增至 3 层）和隐藏层神经元数量（128→256），优化模型训练效果。
独立编写训练脚本，实现损失函数（交叉熵）和优化器（SGD）的调用，记录 10 轮训练过程中的损失值变化，最终模型在测试集上的准确率达到 96%，比初始版本提升 8 个百分点。
用 Matplotlib 绘制训练 / 测试准确率曲线，分析模型在数字 “8” 和 “9” 上易混淆的原因，尝试增加 500 条难例样本进行补充训练，初步理解数据质量对模型效果的影响。
个人探索：校园花卉图像分类小项目
出于对计算机视觉的兴趣，自主开展小型分类项目，收集校园内 5 种常见花卉图像共 800 张（每种 150-170 张），使用 LabelImg 工具完成类别标注，生成 Pascal VOC 格式标注文件。
基于 PyTorch 搭建轻量级 CNN 模型，参考网上教程实现数据加载（自定义 Dataset 类）和简单数据增强（随机翻转、亮度调整），通过控制变量法测试不同学习率（0.01/0.001）对训练的影响，最终模型在验证集上准确率达 82%。
整理项目过程形成技术文档，包含数据集介绍、模型结构设计图、训练参数记录表和结果分析，其中对 “月季” 与 “蔷薇” 分类混淆的问题提出可能的改进方向（增加花瓣细节特征标注），加深对 “数据 - 模型 - 结果” 关联关系的理解。
社团实践：校园活动照片数据集整理与预处理
参与校内 AI 社团的数据整理项目，负责 2000 张校园活动照片的分类与预处理，使用 Label Studio 标注照片中的场景类别（如运动会、晚会、讲座），通过 Excel 统计标注进度，确保两周内完成分配任务。
用 Python 编写简单脚本（Pandas+OS 库）批量处理图像文件：统一调整尺寸至 224×224 像素，转换格式为 JPG，剔除模糊、重复的低质量样本 300 余张，处理后的数据按 8:2 比例划分为训练集和验证集，存储为模型可直接读取的格式。
参与社团内部分享会，介绍数据预处理过程中遇到的格式转换问题及解决方法，获得学长学姐关于 “样本均衡性处理” 的建议，后续补充 50 张稀缺场景照片，为社团后续的图像分类模型训练提供基础数据支持。
跟随课程要求完成基础机器学习项目，使用 PyTorch 框架搭建简易神经网络，加载 MNIST 数据集并完成数据预处理（图像归一化、维度转换），通过调整网络层数（从 2 层增至 3 层）和隐藏层神经元数量（128→256），优化模型训练效果。
独立编写训练脚本，实现损失函数（交叉熵）和优化器（SGD）的调用，记录 10 轮训练过程中的损失值变化，最终模型在测试集上的准确率达到 96%，比初始版本提升 8 个百分点。
用 Matplotlib 绘制训练 / 测试准确率曲线，分析模型在数字 “8” 和 “9” 上易混淆的原因，尝试增加 500 条难例样本进行补充训练，初步理解数据质量对模型效果的影响。
个人探索：校园花卉图像分类小项目
出于对计算机视觉的兴趣，自主开展小型分类项目，收集校园内 5 种常见花卉图像共 800 张（每种 150-170 张），使用 LabelImg 工具完成类别标注，生成 Pascal VOC 格式标注文件。
基于 PyTorch 搭建轻量级 CNN 模型，参考网上教程实现数据加载（自定义 Dataset 类）和简单数据增强（随机翻转、亮度调整），通过控制变量法测试不同学习率（0.01/0.001）对训练的影响，最终模型在验证集上准确率达 82%。
整理项目过程形成技术文档，包含数据集介绍、模型结构设计图、训练参数记录表和结果分析，其中对 “月季” 与 “蔷薇” 分类混淆的问题提出可能的改进方向（增加花瓣细节特征标注），加深对 “数据 - 模型 - 结果” 关联关系的理解。
社团实践：校园活动照片数据集整理与预处理
参与校内 AI 社团的数据整理项目，负责 2000 张校园活动照片的分类与预处理，使用 Label Studio 标注照片中的场景类别（如运动会、晚会、讲座），通过 Excel 统计标注进度，确保两周内完成分配任务。
用 Python 编写简单脚本（Pandas+OS 库）批量处理图像文件：统一调整尺寸至 224×224 像素，转换格式为 JPG，剔除模糊、重复的低质量样本 300 余张，处理后的数据按 8:2 比例划分为训练集和验证集，存储为模型可直接读取的格式。
参与社团内部分享会，介绍数据预处理过程中遇到的格式转换问题及解决方法，获得学长学姐关于 “样本均衡性处理” 的建议，后续补充 50 张稀缺场景照片，为社团后续的图像分类模型训练提供基础数据支持。
立即沟通
