UP简历小U

+86 138-XXXX-XXXX|xiaou.up@example.com|北京

个人总结

资深模型压缩工程师，拥有5年以上深度学习模型优化与部署经验，精通量化、剪枝、蒸馏等多种模型压缩技术。具备从算法研究到工程落地的全栈能力，成功将模型推理速度提升30%，内存占用降低50%，为多个核心业务场景提供高效AI解决方案。致力于在复杂算力受限环境中，实现高性能、低功耗的AI应用，推动产品智能化升级。

工作经历

高级模型压缩工程师

字节跳动

2021-07 - 2024-06

负责核心推荐系统和搜索广告模型的压缩与优化工作，面对亿级用户流量和实时推理需求，成功将Transformer系列模型推理延迟降低40%，模型体积减小60%，显著提升用户体验和广告营收。
主导开发并落地了自动化量化工具链，支持INT8、FP16混合精度量化，使模型精度损失控制在1%以内，累计为公司节省数百万美元的GPU算力成本。
深入研究并实践剪枝（Pruning）、知识蒸馏（Knowledge Distillation）等前沿技术，成功将多个CV和NLP模型参数量减少50%，同时保持甚至略微提升了业务指标。
与MNN、TNN、NCNN等推理引擎团队紧密合作，优化模型部署流程，确保压缩模型在多种硬件平台（CPU、GPU、移动端NPU）上的高效运行，累计部署模型超过20个。
撰写并分享3篇内部技术文章，培训团队成员10余人，提升团队整体模型压缩技术水平。

模型优化工程师

旷视科技

2019-07 - 2021-06

参与人脸识别和物体检测模型在边缘设备上的优化与部署，针对资源受限场景，设计并实现了高效的轻量化网络结构，如MobileNetV3、GhostNet等，将模型大小平均缩小4倍。
负责深度学习模型量化策略研究与实现，包括Post-training Quantization (PTQ)和Quantization-aware Training (QAT)，使模型在嵌入式AI芯片上的推理速度提升3倍，能耗降低20%。
协同硬件团队进行定制化算子开发与优化，将部分关键算子性能提升20%，确保模型在特定硬件上的最佳表现。
独立负责模型压缩工具箱的维护与迭代，支持PyTorch和TensorFlow框架，提升了团队模型优化效率30%。
成功支持2个核心产品线的模型上新与迭代，为公司带来数千万营收。

项目经历

超低比特量化研究与实现

个人研究项目

2023-01 - 2023-08

研究并实现了二值化神经网络（BNN）和三值化神经网络（TNN），探索在极低比特下保持模型性能的方法。
针对ImageNet数据集，将ResNet-18模型权重量化至1-bit，激活量化至1-bit，在精度损失不超过5%的前提下，实现了模型体积的32倍压缩。
开发了相应的训练与推理框架，兼容PyTorch，为未来边缘AI设备的极致部署提供理论与实践基础。
相关成果已在个人GitHub开源，获得50+星。