深度学习手册

外观

作品集项目

本页速览 从"会跑代码"到"能讲清楚的项目"：本文给出选项目标准、经过验证的好项目清单（图像分类、文本分类、小 LLM 微调、扩散微调、推荐系统），以及端到端展示方法——README 模板、代码质量、Gradio/HF Spaces 部署、把项目讲成故事、简历呈现技巧。

作品集项目 ​

一句话定义：作品集项目不是"写代码练习"，而是"可验证的证据"——证明你具备把一个想法变成可用产品、并把过程讲清楚的能力。它的观众是招聘官、面试官，以及三个月后的你自己。

一个合格的项目 = 明确的动机 + 完整的技术闭环（数据→模型→评估→部署）+ 讲得清的过程复盘。工程基本功（模块化、可复现、评估纪律）在DL 设计原则、评估实践和从零构建一个深度学习项目里讲透了，本文聚焦"选什么项目、怎么把它做成作品"。

一、选项目的标准 ​

三个"不选" + 三个"必选"：

不选：

  • 复制 GitHub 上烂大街的 MNIST/CIFAR 教程（除非你把它做成了有增量的事情）。
  • 规模超出资源数倍的"宏大目标"（单卡硬训千亿参数模型）。
  • 你无法解释细节的项目（面试一问"为什么这么设计"就露馅）。

必选：

标准为什么
可解释你能讲清每个技术选择背后的权衡——"为什么用这个损失/架构/评估指标"
规模适中单卡 1–24 小时内能训完，有完整的闭环而不是半途而废
有业务故事项目服务于一个具体场景（哪怕是模拟的），有"谁会用它、好多少算好"
有增量在已有基础上至少做了一件自己的事（新数据、新基线、新评估、新部署）
有失败复盘记录过至少一次"本来以为 A 能行、实际 B 才行"的转折
可部署验证有可运行的 demo，别人能 5 分钟内跑起来看效果

二、好项目清单（五类经过验证的选题） ​

类型具体选题技术要点关联页面
图像分类细粒度图像分类（鸟/花/食材），自己爬数据或用公开子集数据清洗、数据增强、迁移学习、类别不平衡CNN 与计算机视觉
文本分类情感/意图/内容审核分类器tokenizer、预训练模型微调、类别权重大语言模型（LLM）
小 LLM 微调用 LoRA 微调 7B 级模型做客服/写作助手peft + 指令数据构造 + 评估表征学习与预训练
扩散微调LoRA 微调 Stable Diffusion 做风格生成提示工程、数据采集、质量评估扩散模型与生成式 AI
推荐系统 demo电影/商品推荐：协同过滤 → 双塔模型隐反馈、负采样、离线指标 vs 线上指标深度学习推荐系统

选题加分项：

  • 数据是你自己收集/标注的（哪怕 500 张），故事比公开数据集强十倍；
  • 接一个真实的小场景（帮社团做分类器、帮朋友公司做个 demo）——真实性无法伪装；
  • 跟你的目标岗位对齐：想做视觉岗就做图像，想做 NLP 岗就做文本/LLM（岗位要求见JD 清单）。

三、端到端展示：README、代码质量、依赖 ​

作品集一半的价值在"展示层"。评估代码质量的标准，就是"换个人（或两个月后的我）能不能复现并理解"。

1. README 模板（直接套用） ​

markdown
# 项目名

一句话说明：这个项目做什么、给谁用、解决了什么问题。

## 效果演示
（Gradio/Streamlit demo 的 GIF 或截图 + 一句量化结果：准确率 94%，
其中最难类别的 F1 从 0.61 提升到 0.82）

## 安装
```bash
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

复现 ​

bash
python src/train.py --config config.yaml   # 训练
python src/evaluate.py --ckpt best.pt      # 评估，输出指标报告

方法 ​

  • 数据：来源、规模、清洗与划分方式（train/val/test 防泄漏）
  • 模型：架构选择与理由，关键超参（一张表）
  • 关键决策：一次只改一个变量的实验记录（一张对比表）

结果 ​

  • 指标表 + 混淆矩阵 + 训练曲线
  • 失败分析：模型在哪些样本上错、为什么、下一步怎么改

局限与下一步 ​

（坦诚列局限——这是面试里最能加分的部分）


### 2. 代码质量基线

- 结构：`src/{data,model,train,evaluate,utils}.py` + `config.yaml` + `notebooks/`（结构模板见从零构建一节）；
- 可复现：固定种子、锁定依赖版本（见[训练配方与调参](/practice/training-recipe)）；
- 少量测试：至少覆盖 数据形状、模型前向、训练可推进（写法见[调试与诊断](/practice/debugging)）；
- `requirements.txt`：精确版本；GPU 相关依赖（如 CUDA 版本）在 README 里写明。

## 四、部署 demo：让别人 5 分钟看到效果

部署的性价比排序：**Gradio / Streamlit > HF Spaces > 自建服务**。

### 1. Gradio（最推荐，几行代码出交互界面）

```python
import gradio as gr
from model import load_model, predict

model = load_model("best.pt")

def classify(image):
    label, conf = predict(model, image)
    return {label: conf}      # 或返回图片/文本

demo = gr.Interface(
    fn=classify,
    inputs=gr.Image(type="pil"),
    outputs=gr.Label(num_top_classes=3),
    title="我的图像分类器",
    description="上传图片，返回 Top-3 预测",
)
demo.launch()

2. Streamlit（适合数据探索 + demo 一体） ​

适合"带分析看板的 demo"：训练曲线、错误样本、混淆矩阵可视化一体呈现。

3. Hugging Face Spaces（免费部署 + 零运维） ​

把项目推送到 HF Spaces，选 Gradio 的 Space 类型，部署后获得一个永久链接——把链接放进简历/README。大模型项目（LLM/扩散）在 Spaces 上还能白嫖免费 CPU/有限 GPU 跑 demo（相关生态见框架与工具怎么选）。

部署演示的加分细节

  • demo 里放 3–5 个"已知好/已知坏"的样本按钮，让评估者一键复现；
  • 显示置信度，展示你不只是"会调库"；
  • 加一行说明模型局限（"对模糊图片不可靠"），反而更可信。

五、把项目讲成故事 ​

面试时项目陈述的结构——动机 → 方法 → 结果 → 失败复盘 → 学到的：

  1. 动机（30 秒）：问题是什么、谁疼、为什么值得做。
  2. 方法（60–90 秒）：数据与评估先讲（怎么防泄漏、指标怎么定），再讲模型与关键权衡（为什么选它、放弃了什么）。
  3. 结果（30 秒）：数字 + 可视化（混淆矩阵、曲线），并解释数字背后的故事。
  4. 失败复盘（60 秒）：这是拉开差距的部分——讲一次"预期 A 实际 B"的经历和你怎么定位的（用调试与诊断的方法论讲），比讲成功更显功力。
  5. 学到的 + 下一步（30 秒）：这个项目的边界在哪、你会怎么改进。

写作层面，把"方法"和"复盘"对应到DL 设计原则的"一次只变一个变量"和"先怀疑自己代码"，面试官立刻能判断你是真的做了一遍，而不是下载了别人的代码。

六、简历呈现技巧 ​

做法反例正例
用"动词 + 指标"量化"训练了一个图像分类模型""基于 ResNet-18 迁移学习构建细粒度鸟类分类器，准确率 93.4%；通过重采样与加权损失，将最难类别 F1 从 0.61 提升至 0.82"
展示工程闭环"用过 PyTorch""完整实现数据管道（防泄漏划分）→ 训练（AMP/早停）→ 评估（置信区间/错误分析）→ Gradio 部署全流程，repo 可复现"
链接可点"详见 GitHub"直接贴 GitHub 链接 + HF Spaces demo 链接
讲清你的贡献"完成了一个推荐系统""对比协同过滤与双塔模型：负采样策略使 HitRate@10 提升 12%，并分析了采样比与指标的关系"

面试前准备两个问题自测："为什么用这个指标/损失/架构？" 和 "如果重来一次，你会改什么？" 答得清楚，作品集才算真的"完成"了。

权衡与边界 ​

  • 数量 vs 深度：1–2 个做完做透的项目，优于 5 个半成品。招聘官看的不是项目数，而是"最深的那个有多深"。
  • 算法 vs 工程：纯算法项目（一个 notebook + 高指标）缺乏闭环证据；纯工程项目（一堆部署代码）又看不出模型能力。理想状态是一个偏模型的项目 + 一个偏工程的项目。
  • 真实问题 vs 玩具问题：真实的、哪怕小的业务故事 > 虚构的大目标。没有真实数据时，用公开数据集 + 明确模拟的业务场景也可以，但要在 README 里诚实说明。

延伸阅读 ​

参考资料 ​