中科院计算所实习-深度学习方向

部署运行你感兴趣的模型镜像

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习,不错过

 Datawhale推荐 

推荐人:王琦,中国科学院硕士,Datawhale成员

中科院计算所-深度学习方向  

中科院计算所(北京) 专项技术研究中心
招聘岗位:实习生
招聘人数:2-3人
岗位职责:参与国家、科学院以及横向的重大科研项目,从事特种智能计算系统及算法的研究和软件开发。
实习时间:全职一年以上,更长时间亦可。

岗位要求

1、计算机或软件相关专业,本科或硕士(硕士优先,本科限大三、大四)
2、熟悉深度神经网络,有开发调优经验
3、熟练掌握pytorch,tensorflow或caffe中的一种
4、熟练运用shell/python脚本语言。有linux环境下的编程经验者优先
5、有apache flink、spark、cassandra等大数据比编程经验者优先
6、吃苦耐劳、有良好的英文读写能力。
7、善于与人沟通,求知欲强,有良好的团队合作精神

实习待遇

1、计算所实习生ra津贴,表现优异者可获得额外奖学金;
2、外地实习生安排免费住宿;
3、参加计算所内部组织的国内外特邀专家讲座;
4、参加实验室丰富多彩的文体活动;
5、实习期满可获得计算所实习证明;
6、本科生表现优异者可免保送生笔试环节,直接进入面试。

联系导师:中科院-李超(中科院博士,高级工程师)

申请邮箱:lichao@ict.ac.cn

“希望更多推荐,三连

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理

### 中科院计算所智能计算系统实验介绍 #### 实验室背景 中科院计算所的智能计算机研究中心源自原计算机体系结构国家重点实验室控制计算实验室,目前由韩银和研究员担任负责人。该中心致力于研究智能芯片、机器人操作系统以及相关领域的前沿技术[^3]。 #### 主要研究方向 1. **智能芯片与敏捷设计** 智能计算机研究中心聚焦于开发国际领先的智能计算机,其核心任务是以研制智能芯片为基础,推动领域专用处理器的研究与发展。这一方向涉及亿级并行度下的编程、算法设计、系统互连及容错技术的基础研究[^2]。 2. **VLSI与容错设计** 韩银和研究员领导的研究组专注于超大规模集成电路(VLSI)的设计及其容错机制,旨在提升系统的可靠性和性能。 3. **自动导航与无人驾驶** 胡瑜研究员带领的团队主要从事自动导航系统的研究工作,重点探索无人驾驶技术和算法硬件加速方案,力求实现高效、精准的目标定位与路径规划功能。 4. **深度学习软硬件协同优化** 陈晓明副研究员深入探讨深度学习模型在软硬件层面的最佳实践方式,包括但不限于电路与系统结构EDA算法的研发,同时他也是阿里巴巴达摩院青橙学者之一,在学术界享有较高声誉。 5. **集成电路设计与物理设计EDA工具** 王郁杰副研究员则着重于集成电路设计中的关键技术突破,特别是物理设计自动化工具链的发展和完善,并关注硬件安全性议题。 #### 发展理念 智能计算机研究中心秉持“应用牵引,创新驱动”的原则,依托中科院计算所在计算机体系结构方面的深厚积累和技术优势,围绕国家重大需求展开科学研究活动。通过构建新原理、新架构、新方法论支持下的领域专用处理器生态系统,努力成为全球范围内具备重要影响力的研究力量[^4]。 #### 实习生招募条件 为了吸引更多优秀人才加入到这个充满活力且意义非凡的工作环境中来,实验室设定了如下基本准入门槛: - 应聘者需来自计算机或者软件工程等相关专业; - 至少拥有本科及以上学历水平(硕士研究生优先考虑),其中本科生仅限于大三年级或四年级学生报名参加; - 展现出卓越的编码技巧以及牢固掌握数据结构和算法基础知识的能力; - 对Python编程语言较为熟悉; - 初步接触过深度神经网络理论知识,并能在图像分类、物体探测或是视频解析等领域有所涉猎; - 掌握PyTorch 或 TensorFlow 这样的主流深度学习框架操作技能; - 表现良好沟通表达能力和强烈的学习欲望,能够融入集体协作氛围之中持续完成分配下来的任务项目; - 可承诺连续参与实习时间不少于五个月,并获得所属院校或者是指导老师的正式许可文件证明[^5]。 ```python # 示例代码展示如何加载预训练模型进行推理 import torch from torchvision import models def load_pretrained_model(): model = models.resnet18(pretrained=True) model.eval() return model model = load_pretrained_model() dummy_input = torch.randn(1, 3, 224, 224) output = model(dummy_input) print(output.shape) # 输出张量形状应为 [1, 1000], 即对应 ImageNet 数据集类别数目的预测概率分布向量. ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值