范珂旭的简历

个人信息

姓名：范珂旭

年龄:20岁

电话:*

邮箱:2079906160@ qq.com

意向岗位：后端开发实习生

意向城市：四川省

期望薪资: 4k-5k

求职类型：校招/实习

教育背景

成都东软学院

学历：本科

专业：智能科学与技术

时间:2024.09 - 2028.06

主修课程：数据结构与算法、计算机组成原理、C语言程序设计、Python程序设计、

操作系统、计算机网络、数据库系统概论(自修)、机器学习与模式识别、人工智能基础、

离散数学、概率论与数理统计。

项目经历

基于 CNN 的图像识别与后端推理服务系统

时间:2025.03 - 2026.01

项目背景：为解决实验室图像数据自动化分类需求，发起并主导了一个结合深度学

习算法与后端接口调用的全栈实践项目，旨在实现高准确率的图像识别并提供稳定的A

PI服务。

项目职责：

。算法构建：负责卷积神经网络(CNN)的架构设计、模型训练及参数调优。

。后端开发：利用 Python Flask 框架搭建后端推理服务器，实现前端数据上传与模

型预测结果的实时返回。

。数据处理：设计高效的数据预处理流水线，包括图像增强、归一化及批量加载逻辑。

解决方案：

情境：在模型训练初期，面临训练集过拟合及推理延迟较高的问题。

任务：提升模型泛化能力，并将单次推理响应时间控制在200ms以内。

行动：引入 Dropout 层与 L2 正则化技术抑制过拟合，并使用 PyTorch 的TorchScri

pt技术对模型进行序列化加速；在后端采用异步处理机制，优化了Base64 图像解码算

法，减少了CPU占用。

结果：最终模型在验证集上的准确率稳定达到 95%以上，后端接口在高并发测试下

表现稳定，成功支撑了实验室内部的阶段性数据处理任务。

实验室 Unity 2D交互系统后端逻辑与核心玩法开发

时间:2024.10-2025.06

项目背景：该项目为实验室重点研发的虚拟仿真交互系统，旨在通过 Unity 引擎模

拟复杂的物理环境与逻辑交互，我作为程序组核心成员参与开发。

项目职责：

架构设计：采用模块化编程思路，设计并实现了游戏的核心逻辑框架与状态机系统。

后端逻辑：负责处理客户端与服务器的数据同步逻辑，确保多玩家/多对象状态的一

致性。

独立开发：独立完成了一个2D原型系统的全流程开发，作为主项目的逻辑验证版本。

解决方案：

情境：项目中各功能模块耦合度高，导致后期维护和功能扩展极其困难。

任务：重构核心代码，实现功能解耦，并提升程序运行的帧率稳定性。

行动：基于 C#语言特性，引入了观察者模式(Observer Pattern)处理事件分发，将

UI逻辑与核心业务逻辑彻底分离；针对频繁创建的对象，设计并实现了对象池(Object

Pooling)技术，大幅降低了内存抖动。

结果：重构后代码复用率提升了 40%，系统运行帧率从 45FPS 稳定提升至 60FPS，

该项目顺利通过校级实验室验收，并作为优秀案例进行展示。

统计建模竞赛数据处理与自动化分析平台

时间:2024.09-2025.02

项目背景：参加全国大学生统计建模竞赛，需要针对海量社会经济数据进行清洗、

建模与可视化分析。

项目职责：

程序设计：担任团队程序组组长，负责整体数据处理逻辑的编写与算法实现。

任务调度：协调团队成员进行数据采集与模型验证，确保项目按进度交付。

解决方案：

情境：原始数据存在大量缺失值与异常值，且手工处理效率极低，影响了后续建模的

进度。

任务：开发一套自动化的数据清洗与特征工程脚本，提高数据准备效率。

行动：利用 Python 的 Pandas和NumPy 库编写了自动化清洗插件，实现了缺失值

智能填充与异常值检测算法；

结果：数据处理效率比传统方式提升了 3倍，支撑团队在规定时间内完成了高质量的

模型交付，并获得了校级一等奖的优异成绩。

多模型融合的台风灾害智能预测系统

时间:2025.03 - 2025.06

项目背景：为提升台风灾害预测的准确性与全面性，独立设计并实现了一个集成多

模型融合的台风预测系统，涵盖路径预测、风险等级评估、损失预测、持续时间预测等

六大核心功能模块，结合数值模式与深度学习技术提供端到端的灾害预测解决方案。

项目职责：

。架构设计：采用模块化架构设计系统的六大预测模块（路径预测、集合校正、风险

等级、承载体预测、损失预测、持续时间预测），通过统一配置管理与流水线调度实现

模块间协同工作。

。算法实现：基于 PyTorch 实现时空 Transformer 模型用于台风路径序列预测，结

合位置编码与多头自注意力机制捕获时空依赖关系；使用 LightGBM + CNN-LSTM 混

合模型进行风险等级分类，通过地理探测器分析地理因子对风险的影响权重。

。工程落地：编写完整的 YAML 配置管理系统与命令行接口（CLI），支持灵活切换

预测模式与参数调整；集成 Loguru 日志系统实现全流程运行监控。

解决方案：

情境：台风预测涉及多源异构数据（WRF数值模式输出、历史案例、GIS 空间数据、

集合预报等），传统单一模型难以全面捕捉台风的复杂行为模式。

任务：构建一套多模型融合的端到端台风预测流水线，实现路径、强度、风险等级、

经济损失、持续时间等多维度预测，并提供不确定性估计。

行动：使用 PyTorch 构建时空 Transformer 模型处理 WRF 输出的 NetCDF 气象数

据；集成 LightGBM、XGBoost、CNN-LSTM 等多种机器学习模型，针对不同预测任

务设计专门的模型架构；使用贝叶斯校正与分位数映射方法对集合预报进行后处理优化；

基于 GeoPandas 和 Shapely 实现 GIS 空间分析与风险制图。

结果：系统成功整合 6 大预测模块，支持完整流水线与单模块独立运行两种模式；风

险等级预测在验证集上达到较高准确率，路径预测模型能够有效捕获台风移动趋势；项

目代码结构清晰、可扩展，支持通过配置文件灵活调整模型超参数。

AI 女友智能体 — 多模态实时交互聊天系统

时间:2025.04 - 2025.06

项目背景：为探索大语言模型在实际应用中的落地方案，设计并实现了一个集文字、

语音、视觉于一体的 AI 角色扮演聊天系统，支持 Web 与 Android 多端访问，具备实

时双向通信与用户记忆管理能力。

项目职责：

。后端架构：基于 FastAPI 框架搭建高性能异步后端服务，集成 WebSocket 协议实

现实时双向聊天通信，设计 RESTful API 提供角色管理、用户记忆持久化、聊天历史查

询等接口。

。多模态集成：整合 DeepSeek API 实现文字对话，集成 Whisper 语音识别与 Edg

e TTS 语音合成实现完整语音交互链路，基于 OpenCV + YOLOv8 实现人脸检测与视

觉聊天功能。

。系统工程：设计 JSON 驱动的角色人格配置系统，支持动态切换 4 位预设角色及

自定义扩展；实现用户记忆自动提取与持久化存储机制；编写 Android 客户端实现移

动端访问。

解决方案：

情境：当前 AI 聊天应用普遍存在交互方式单一、缺乏多模态融合、角色扮演沉浸感

不足等问题，且多数方案仅支持单一终端访问。

任务：构建一个支持文字/语音/视觉三种交互方式的多模态 AI 聊天系统，提供低延

迟的实时通信体验，并支持 Web 与移动端多平台访问。

行动：采用 FastAPI + WebSocket 架构实现低延迟实时消息推送；设计基于情绪关

键词的动态情绪系统，使 AI 角色能够根据对话内容自动调整情绪状态与回复风格；使

用 CORS 中间件解决跨域问题，支持局域网内手机/平板等设备直接连接；编写一键启

动脚本简化部署流程。

结果：系统成功上线运行，支持 4 位可切换角色与 3 种 AI 版本（基础版/Pro 版/时

间感知版）；WebSocket 实时通信延迟稳定在 100ms 以内；提供完整的 Swagger AP

I 文档，前后端接口清晰规范；Android 客户端支持局域网无线连接，项目具备良好的

可扩展性与实用性。

基于 CNN 的字符识别与数据增强训练系统

时间:2025.01 - 2025.02

项目背景：为深入理解卷积神经网络在图像分类任务中的应用原理，从零构建了一

个完整的 62 类字符识别系统（0-9 数字 + 26 大写字母 + 26 小写字母），涵盖数据生

成、模型设计、训练优化到预测部署的全流程。

项目职责：

。模型设计：基于 PyTorch 从零搭建 4 层卷积神经网络（CNN），包含 Conv2d + R

eLU + MaxPool2d 的标准卷积结构（通道数: 1→32→64→128→256），通过全连接

层输出 62 类分类结果，引入 Dropout 层防止过拟合。

。数据工程：设计自动化字符图像生成流水线，通过 PIL 绘制字符、添加随机噪声、

调整灰度变化等方式模拟真实场景数据多样性，生成 12000 张训练/验证/测试样本。

。训练优化：使用 PyTorch DataLoader 实现高效批量数据加载，采用 Adam 优化

器与交叉熵损失函数进行 120 轮迭代训练，记录并可视化训练过程中的准确率与损失

曲线。

解决方案：

情境：标准字符数据集通常格式固定、缺乏多样性，导致模型在真实场景下泛化能力

不足；同时从头搭建 CNN 训练流水线有助于深入理解深度学习框架的底层机制。

任务：从零构建字符图像生成与 CNN 识别系统，实现 62 类字符的高精度分类，并

在测试集上验证模型的泛化能力。

行动：使用 PIL 编程生成包含随机噪声、不同灰度深度的字符图像，模拟真实场景的

数据分布；搭建 4 层 CNN 架构（通道数逐步增加至 256），通过 MaxPool2d 逐步降

低特征图尺寸提取高层语义特征；使用 90%/10% 训练验证分割策略与 120 轮 Adam

优化训练，在测试集上评估最终模型性能。

结果：模型在 2000 张测试样本上达到 95%+ 的分类准确率；训练过程可视化曲线

清晰展示了模型收敛过程，验证了 CNN 架构在字符识别任务上的有效性；模型权重保

存为 .pth 格式，支持后续加载与推理部署。

基于CNN的农作物病虫害智能检测系统

时间:2024.12 - 2025.02

项目背景：针对农业生产中农作物病害识别效率低、人工诊断成本高的问题，基于 P

lantDoc 数据集构建了一个 28 类农作物病虫害智能检测系统，利用卷积神经网络实现

病害叶片的自动分类与识别。

项目职责：

。数据处理：基于 PlantDoc 开源数据集进行数据预处理，设计包含随机翻转、旋转、

归一化的数据增强流水线，使用 PyTorch DataLoader 实现多进程高效数据加载（nu

m_workers8）。

。模型构建：设计并实现自定义 CNN 架构（2 层卷积 16/32 通道 + 2 层全连接），

输入为 128x128 RGB 图像，输出 28 类病虫害类别，使用 CrossEntropyLoss 与 Ada

m 优化器进行训练。

。训练策略：实现早停机制（Early Stopping, patience3）与学习率调度策略（St

epLR, step_size8, gamma0.8），防止模型过拟合并提升收敛效率；自动保存最佳

模型权重，绘制损失/准确率独立曲线用于训练分析。

解决方案：

情境：传统农作物病害诊断依赖农业专家目视检查，效率低且难以大规模推广；深度

学习技术虽有潜力，但在农业领域的实际落地仍面临数据量与模型泛化的挑战。

任务：利用 PlantDoc 数据集训练一个高精度的农作物病虫害 CNN 分类器，并建立

完整的训练-验证-测试流程与模型评估体系。

行动：使用 torchvision.transforms 构建包含 RandomHorizontalFlip、RandomR

otation 的数据增强流水线提升模型泛化能力；设计 2 层 CNN 架构（16/32 通道），

通过 MaxPool2d 逐步降维，最终经全连接层输出 28 类分类结果；实现早停机制在连

续 3 轮无显著提升时自动终止训练，结合 StepLR 学习率衰减优化收敛过程；将损失与

准确率分图绘制，便于独立分析模型性能。

结果：训练过程中验证集准确率持续提升，早停机制有效避免了过拟合；最终模型权

重保存为 .pth 格式，支持单张图片推理预测；建立了标准化的训练-验证-测试-可视化

评估流水线，为后续农业 AI 应用奠定了技术基础。

专业技能

编程语言：精通 Python（常用库：Pandas, NumPy, FastAPI, Flask）、C#（.NET

框架、Unity 开发），熟悉 C 语言，具备良好的面向对象编程思想与模块化架构设计能

力。

后端技术：熟练使用 FastAPI 与 Flask 框架构建 RESTful API 服务，掌握 WebSock

et 实时通信协议，了解 MySQL 数据库基本操作及索引优化。

深度学习：熟练使用 PyTorch 框架进行模型构建、训练与部署，掌握 CNN、Transf

ormer、LSTM 等主流架构，熟悉 YOLOv8 目标检测框架与 LightGBM/XGBoost 等机

器学习算法。

开发工具：熟练使用 Git 进行版本控制，熟悉 Visual Studio、PyCharm 等集成开

发环境，具备 Linux 基础操作能力。

其他技能：具备 3D 建模基础，能够配合前端/美术进行资源优化与整合；了解 GIS

空间数据分析（GeoPandas、Shapely）与 NetCDF 气象数据处理。

荣誉证书

语言等级：大学英语四级(CET-4)、普通话二级甲等证书。

专业荣誉：校级统计建模竞赛一等奖、实验室优秀开发者称号、多项 AI 项目独立开

发经验。

其他资质：机动车驾驶证(C1)。

自我评价

扎实的编程功底：精通 Python 与 C#，具备良好的代码规范与文档编写习惯，能够

快速上手各类后端开发框架（FastAPI、Flask），具备独立完成全栈项目的能力。

算法与工程结合：作为智能科学专业学生，不仅熟悉深度学习算法（CNN、Transfo

rmer、LSTM），更具备将算法落地为后端服务的能力，在多个项目中实现了从模型训

练到 API 部署的完整闭环。

卓越的团队协作：多次担任项目组长，具备优秀的沟通协调能力与任务规划能力，

能够在高压力环境下带领团队达成目标，善于通过模块化设计与规范化文档提升团队协

作效率。

持续的学习热情：对后端架构、分布式系统与大语言模型应用保持高度好奇心，具

备极强的自驱力，能够快速吸收并应用新技术解决实际问题，拥有多个独立完成的 AI

项目实践经验。