张逸凡 · AI深度学习算法工程师

• 针对多模态预训练模型部署成本高的痛点，基于PyTorch复现并优化结构化剪枝与任务感知蒸馏联合方案，在图文检索任务上实现参数量压缩41%，R@1精度仅有0.8个百分点的微弱下降。

• 设计多模态渐进式量化训练管线，将图文匹配模型骨干网络量化为INT8，在VQA精度几乎持平的前提下，端到端推理延迟降低56%。

• 构建跨模态迁移学习与低秩适配统一流程，采用“预训练-适配器微调”范式替代全量微调，将可训练参数量削减82%，同时在3项多模态理解基准上平均准确率提升1.9个百分点。

• 开发自动化多模态轻量化工具链，整合结构剪枝、量化和蒸馏策略，依据算力约束一键生成部署方案，将模型适配周期由数天压缩至小时级。

• 将压缩模型部署至内部原型平台，结合算子融合与动态批处理优化，推理吞吐提升1.7倍，支撑50路并发实时响应演示。

• 针对社交网络异常行为隐蔽、标注极度稀疏的挑战，基于PyTorch Geometric构建异构图神经网络框架并引入关系感知注意力，在无监督设定下有效捕获高阶邻域模式；于百万级内部社交数据上将异常用户分类AUC提升8.5个百分点。

• 设计分层消息传递与自适应子图采样策略，兼顾局部稠密信号与全局上下文，在含3.5万节点、32万边的标注样本上将欺诈账户召回率由71%大幅提升至84%。

• 针对工业部署中图推理开销过大的痛点，实现基于邻居采样的Mini-batch图表示学习管线，融合图结构压缩与特征蒸馏，在单GPU上将推理延迟降低45%且精度无损。

• 搭建覆盖数据预处理、图构建、超参搜索与多SOTA模型对比的一体化实验流水线，形成标准化评测框架，将新策略验证周期缩短约60%，并沉淀为实验室可复用的工具库。

• 为在NVIDIA Jetson边缘端实现实时检测，基于YOLOv5设计轻量化网络，引入结构化通道剪枝与层级知识蒸馏，在mAP@0.5仅下降1.1%的同时压缩参数量42%，显著降低推理内存占用。

• 借助TensorRT执行INT8量化部署，配合自定义校准集与算子融合，将单帧推理延迟从26ms降至15.6ms，在Jetson Orin NX上帧率提升40%，稳定满足25 FPS实时处理要求。

• 设计异步流水线推理架构，将视频解码、前后处理与模型推理解耦，通过共享内存队列使端到端吞吐量再提升35%，可靠支撑多路视频流实时检测。

• 封装一键式模型转换与精度对齐流水线，实现从训练到部署的自动化闭环；项目在GitHub开源后获150+ Star，并被某智能硬件厂商（“锐视”）引入原型验证。

• 主修课程：机器学习、深度学习与神经网络、自然语言处理、计算机视觉、数据挖掘

• 毕业设计：《基于多模态融合的医疗影像语义分割方法研究》

• 曾获全国大学生人工智能竞赛（CAAI）国家一等奖、浙江大学一等奖学金

凭借基于深度学习的图像分割方法研究获全国大学生数学建模竞赛一等奖