完整题目
请介绍一个你参与过的深度学习项目，包括项目目标、所用模型架构、数据处理流程以及最终成果。
本文目录
先说明边界
这是履历题，答案只能由候选人的真实项目生成。下面提供可直接填写的 STAR 结构，不代写公司、角色、数据规模或指标。每个数字都应能由代码、实验报告、监控或业务记录解释。
90 秒项目结构
- 背景与目标：
[项目/业务]遇到[具体问题]；主指标是[离线或业务指标及口径]，约束包括[时延/显存/隐私/端侧平台]。 - 本人职责：我负责
[本人实际负责的模块]，未负责的部分明确说由谁承担。 - 模型与选型：基线为
[模型]；最终选择[架构]，原因是[数据规模、算力、可解释性或部署限制]；说明放弃过的方案和证据。 - 数据流程：来源与许可
[ ]→ 去重/清洗[ ]→ 切分方式[按用户/时间/实体]→ 泄漏检查[ ]→ 版本管理[ ]。 - 实验与部署：给出同口径 baseline、消融、误差切片；端侧按真实平台填写 LiteRT/TFLite、NNAPI、Core ML 或其他栈，TensorRT 仅适用于相应 NVIDIA 环境。
- 结果与复盘：报告
[指标 A] 从 [ ] 到 [ ]、置信区间/流量和观察期；同时交代失败案例、成本、回滚和下一步。
禁止项
不要把联邦学习简化为“只聚合特征”；典型联邦优化聚合的是本地模型更新/梯度等信息，仍需隐私与攻击面分析。Self-RAG 是文本检索增强生成方法，不应拿来解释图像分类置信度。若项目没有使用这些技术，就不要为了显得复杂而加入。
继续追问 · 3 个问题
- 如果数据分布发生偏移，你们是怎么发现的，又是怎么处理的
- 如果让你重新做这个项目，你会在哪些地方改进
- 模型推理性能是怎么优化的，有没有做模型压缩或加速
换一种问法，检查是否真正理解
场景切入
假设我们要给手机相册做个智能分类，能自动识别出“美食”“文档”“夜景”这些标签。你做过类似的项目吗？能聊聊你是怎么设计数据流程和选模型的吗？
层层追问
你参与过的深度学习项目里，有没有涉及图像分类的？……那数据是怎么处理的？……长尾类别怎么办？……模型结构上有什么取舍？……最终效果怎么样？
直球架构
介绍一个你参与的深度学习项目，重点说项目目标、模型架构选型理由、数据处理流程、以及最终成果和踩过的坑。
练习口述回答 · 约4分钟
- 声明只讲本人可核验项目
- 交代背景、目标和本人职责
- 用基线与约束解释模型选型
- 讲完整数据、实验和部署链路
- 用同口径结果与失败复盘收尾
这是一道履历题，所以我不会背一个系统替我编好的公司和指标，而会选自己最熟、证据最完整的一个项目来讲。开头先用两句话交代背景：在【项目或业务】里，我们遇到【具体问题】，目标是改善【指标及口径】，同时受【延迟、显存、隐私或端侧平台】约束。接着马上说清我的职责是【本人实际负责模块】，哪些数据、后端或产品工作由同事承担，避免把团队成果都算在自己身上。
模型部分我不会只报名字。我会先给基线【基线模型与结果】，再说为什么选择【最终架构】：是因为数据量、标签成本、算力、可解释性，还是设备限制。至少讲一个被否掉的方案和证据，例如它在某个长尾切片上不如基线，或者模型虽准但端侧内存超预算。这样能证明选型来自对照实验，不是追热点。
数据流程要讲完整。数据来自【来源与许可】，经过【去重、异常处理和标注质检】，再按【用户、时间或实体】切训练、验证和测试，避免同一对象跨集合造成泄漏。我会说明数据版本、类别分布、最容易错的切片，以及训练和线上预处理是否一致。若涉及隐私，就说实际采用的脱敏、访问控制和留存策略，不会用“联邦学习只聚合特征”这种不准确的口号代替方案。
实验部分给同口径证据：baseline、最终模型、关键消融、重复运行或置信区间，以及错误样本分析。部署时只写真实平台。Android 端可能使用 LiteRT/TFLite 与 NNAPI，Apple 设备可能使用 Core ML；TensorRT 要有对应的 NVIDIA 环境，不能当作普通手机通用栈。量化、剪枝或蒸馏是否采用，也要给精度、包体、内存和延迟的真实对照。
结果部分我会说【指标】从【基线】到【结果】，测试集版本是【】，线上实验覆盖【流量与观察期】；如果没有线上数据，就明确只有离线结果，绝不补造使用率或业务收益。同时给失败案例，例如【某类样本】仍然不稳定，以及采取的监控、回退和人工兜底。
最后用一句复盘收尾：这个项目让我确认了【真实经验】，下一步最值得做的是【有证据支持的改进】。像 Self-RAG 这种文本检索生成方法，如果项目是图像分类且没有实际使用，就不要硬塞进去。专业感来自事实链完整：目标、本人动作、实验、结果都能被追问和核验。
面试前我还会准备证据索引：每个关键数字对应哪张实验表、哪段监控时间窗、哪个代码版本；并准备一个失败样本现场解释。这样被追问时可以从结论退回到原始证据，不会因为记错数字而把真实项目讲成不可核验的故事。