猿急送>

北京后端兼职程序员

ID：304328

吴康惠

stu

公司信息：
zjut

工作经验：
1年

兼职日薪：
500元/8小时

兼职时间：
可工作日驻场（自由职业原因）

所在区域：
北京
海淀

技术能力

自然语言处理:能够理解用户的语言意图与语句,从中提取关键信息并生成相应的回复。熟悉词法分析、句法分析、语义解析等技术,掌握BERT、GPT-3等预训练语言模型。
知识图谱:通过知识图谱关系推理与查询,可以将不同领域的知识进行关联和应用。熟悉知识图谱的表示形式、构建方法以及关系推理算法。
机器学习:利用海量数据训练机器学习模型,实现类型划分、回归预测以及推荐系统等功能。熟悉决策树、SVM、神经网络等机器学习算法与模型。
深度学习:应用卷积神经网络、循环神经网络以及注意力机制等算法实现图像分类、目标检测、语音识别和机器翻译等任务。理解CNN、RNN以及BERT、Transformer等深度学习模型的原理与结构。
计算机视觉:实现图像的处理、分析、理解及生成。熟悉图像分类、目标检测、语义分割以及风格迁移等视觉任务,并了解相关的深度学习模型与算法。
并行计算:利用GPU等硬件设备加速机器学习与深度学习模型的训练过程。熟悉CUDA编程,理解异步并行与同步并行的概念,可以实现算法的并行优化。

项目经验

项目一:基于深度学习的图像风格迁移。在这个项目中,我利用卷积神经网络实现了不同风格图像之间的风格迁移。主要步骤如下:
1. 收集大量绘画图像构建训练集,包含多种风格如印象派、立体派和写实主义等。
2. 选用VGG19模型提取图像特征,分析不同风格图像的特征差异,找到合适的中间层输出作为风格特征。
3. 构建风格迁移网络,输入内容图像和风格图像,经过卷积和样式重构层将内容图像转换为风格图像。
4. 选定损失函数衡量内容损失和风格损失,通过反向传播更新网络权重。
5. 对网络和超参数进行优化,最终实现风格自然过渡和高质量图像生成。
这个项目运用TensorFlow和Keras实现风格迁移模型的构建和训练,让我熟练掌握了深度学习在计算机视觉领域的应用。想要达到产品级效果还需要大量调参与优化,是一个很好的学习项目。
项目二:基于BERT的问答系统。该项目通过微调BERT模型并构建问答数据集实现了一个问答系统。主要工作如下:
1. 选用百度BERT-Base模型并微调,增加一个问答匹配输出层。
2. 收集大规模人工标注的问答数据集作为训练集,采用BERT的MLM(masked language model)特性进行模型训练。
3.开发问答匹配接口,输入问句和候选答案,BERT模型输出匹配得分,返回最佳匹配答案。
4. 构建Flask API并部署,将问答系统移植到线上服务。
这个项目熟悉了BERT的实现原理与应用,掌握了微调技巧与问答系统的搭建流程,是一个BERT实践的很好项目案例。

案例展示

基于卷积神经网络的图像分类 Web服务

这个项目运用TensorFlow实现了一个图像分类模型,可以对用户上传的图片进行分类与预测。主要步骤如下: 1. 收集大量标注图像数据构建ImageNet数据集,包含1000个类别。 2. 使用ResNet50或VGG16等模型进行训练,获得分类模型。 3. 开发Flask
基于BERT的情感分析任务

这个项目使用TensorFlow微调BERT模型,实现了一套情感分析系统。主要工作如下: 1. 收集大量评论数据,人工标注为正面、中性和负面情感。 2. 选用Google BERT-Base模型,添加情感分类输出层,构建微调模型。 3. 将评论数据转换为BERT模型输入格
我已经完成了项目填写，

我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，
我已经完成了项目填写，

我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，我已经完成了项目填写，