第1章 岗位能力画像与简历优化模板
计算机视觉模型训练工程师不仅需要扎实的算法基础，更要在实际业务中完成数据清洗、模型调优、部署落地全流程。本章围绕岗位核心能力拆解简历结构，提供关键词清单与成果量化句式，帮助你在简历筛选中突出硬实力。
岗位核心能力维度
| 能力维度 | 具体技能 | 简历关键词示例 |
|---|---|---|
| 深度学习基础 | CNN、Transformer、YOLO、ResNet、损失函数设计 | 图像分类、目标检测、语义分割、注意力机制 |
| 模型训练优化 | 学习率调度、数据增强、混合精度训练、分布式并行 | PyTorch Lightning、DeepSpeed、自动混合精度 |
| 工程部署能力 | ONNX导出、TensorRT加速、模型量化、Docker | 推理延迟优化、GPU显存压缩、端侧部署 |
| 业务理解 | 数据标注策略、badcase分析、业务指标对齐 | 准确率/召回率/AP、业务ROI、A/B测试 |
面试问答卡片
面试问题：请介绍你在计算机视觉项目中常用的数据增强策略？
考察点：数据预处理经验、对过拟合的认知、实际调优细节。
回答框架：分类阐述 → 举例说明 → 效果对比。
示例回答：“我主要用随机翻转、色彩抖动和CutMix。在工业缺陷检测中，原始样本不足，通过Mosaic增强使mAP提升3.2%。同时根据业务特点禁用过度形变的增强（如旋转>30°），避免破坏缺陷形态。”
- 可能追问：为什么不用随机擦除？CutMix的标签如何处理？
避坑：不要只列举方法名称，一定要结合具体项目说明选择原因和效果数值。
面试问题：模型训练时验证集准确率震荡严重，你如何处理？
考察点：训练稳定性调试能力、学习率与优化器理解。
回答框架：定位原因 → 分步排查 → 解决方案。
示例回答：“先检查batch size是否过小，然后观察loss曲线。通常我会降低学习率并加入梯度裁剪，例如从1e-3降到1e-4，同时将batch size翻倍，震荡立刻消失。若仍不行，改用AdamW配合余弦退火。”
- 可能追问：余弦退火比Step Decay好在哪？梯度裁剪阈值如何设定？
避坑：不要只说“调小学习率”，要给出具体数值和对比效果，体现调试经验。
面试问题：你的简历中写“将模型推理速度提升40%”，请展开讲具体做了什么？
考察点：模型压缩落地经验、量化与部署工具链掌握程度。
回答框架：工具链 → 量化方式 → 精度与速度权衡。
示例回答：“基于PyTorch训练后用ONNX导出，采用TensorRT FP16推理，同时将Backbone中3x3卷积替换为深度可分离卷积。最终在T4上从35ms降至21ms，mAP仅下降0.7%，满足业务实时要求。”
- 可能追问：为什么不用INT8？数据校准集如何选取？
避坑：必须给出具体数值（原速度/现速度），解释为何选择FP16而非更激进的方案，体现工程决策力。
简历成果量化句式模板
通用结构：[动作] + [方法/工具] + [结果指标] + [业务影响]
- “通过引入混合精度训练与梯度累积，在8卡V100上将训练时间从48h压缩至19h，节省60% GPU成本。”
- “设计自适应数据增强策略，在少样本场景下缺陷检出率提升22%，并减少人工标注成本30%。”
- “将模型从PyTorch迁移至TensorRT部署，端到端推理延迟降低55%，在不降低精度下支撑线上QPS从200提升至900。”
关键词清单速查：YOLOv8、ViT、FPN、BCE Loss、Focal Loss、OneCycle LR、EMA、Distillation、TensorRT、ONNX Runtime、NMS优化、多尺度测试、TTA、数据并行、模型并行、异步推理。