简 历

面向胸部与颅脑 CT 的多病种统一辅助诊断：一次影像输入，同时给出病灶定位与病变分类，并输出可解释的诊断依据。

• 以 ResNet / EfficientNet 为骨干并引入注意力机制强化病灶响应，多任务联合建模：共享编码器 + 分割头 + 分类头，分割辅助定位、分类负责定性，两个任务互为监督信号。
• 损失侧用不确定性加权 / 动态权重，配合焦点损失与类别重加权缓解病种样本不均衡；迁移学习采用先冻结骨干训练头部、再解冻高层小学习率微调的分阶段策略。
• 预处理管线打通 DICOM 窗宽窗位调整、归一化与重采样，统一胸部与颅脑两个来源的影像尺度；用类激活映射（CAM）输出病灶热力图，让结果可被医师复核而非一个黑盒分数。
• 独立完成选题、开题、技术路线设计与系统实现，规划从数据预处理到推理服务的模块划分。（当前处于数据集整合与基线搭建阶段，尚无可报告结果）

零售与仓储场景下的 10 类饮料瓶自动识别，从数据标注、格式转换、模型训练到多格式导出与 CPU 推理测速全流程独立跑通。

• 用 LabelMe 完成 10 类目标标注，自写 json2yolo.py 把 LabelMe JSON 批量转成 YOLO TXT，generate_yaml.py 自动生成数据集配置，避免手工整理标注带来的错标与漏标。
• 选用 YOLOv8n（3.01M 参数、6.0MB 权重），损失由 CIoU 边界框回归 + BCE 分类 + DFL 分布焦点损失构成；AdamW、初始学习率 0.01、50 个 epoch、batch 16、输入 640。
• 结果：mAP50 = 0.9948、mAP50-95 = 0.9429、Precision 0.9936、Recall 0.9929；mAP50 从第 1 个 epoch 的 0.317 收敛至 0.995。本机 CPU 单张推理约 45ms。
• 导出 ONNX（11.7MB）与 TorchScript（11.6MB），验证脱离训练框架独立部署的可行性；另用未参与训练的 10 张图独立验证，37 个目标全部正确检出。

技术栈：Python 3.12 · PyTorch · Ultralytics YOLOv8 8.4 · OpenCV · NumPy · Pillow · LabelMe · Matplotlib

把本地大模型从「跑得起来」做到「看得懂、跑得动」：统一加载接口、三级量化降级适配不同显存，并把模型的思考过程可视化出来。

• 统一模型加载接口，屏蔽 Qwen3-1.7B 与 Qwen3-7B 在路径、分词器、设备分配上的差异。
• 设计三级量化降级策略：8-bit → FP16 → CPU 回退，显存不足时自动逐级降配重试，而不是直接抛异常退出。
• 解析输出中的 <think> 标记，实现思维链（CoT）双阶段解码与展示；用 rich 做终端富文本渲染，并加入每轮 Token 数与推理耗时监控用于横向比较量化级别。
• 担任组长，负责架构设计、模块边界划分与进度统筹，承担核心推理引擎（模型加载、量化调度、思维链解析）实现。

技术栈：PyTorch · Transformers · ModelScope · rich

用 DCGAN 从零生成 64×64 的 2D 横版游戏地形，替代手工绘制，降低独立游戏的美术成本。

• 没有现成数据集，编写脚本程序化生成约 1000 张 64×64 像素地形样本（地面 / 草地 / 树木）作为训练集。
• 生成器 4 层 Conv2dTranspose 逐步上采样（256→128→64→32→1），判别器 Conv2d 逐层下采样（32→64→128→256→1）；BCELoss 对抗损失、Adam 优化器、100 维潜在向量，用 MindSpore 在昇腾生态下复现完整训练闭环。
• 采用定性评估：人工观察生成地形的结构连贯性与多样性，同时监控生成器 / 判别器损失曲线的对抗平衡状态；产出「生成数据 → 训练 → 生成地形」三步可复现的命令行脚本。

技术栈：MindSpore · Python · NumPy · Matplotlib