裸辞半年后，我靠一个CV项目重新杀回大厂：技术选型、工具链和那些该死的面试题
去年十月，我在光谷软件园某大厂工位上按下“发送”键，一封辞职邮件飞向HR邮箱。那一刻没有悲壮，只有解脱——也有一丝恐慌。
当时月薪18K，房租3500，老婆在武昌一家私企做财务，我们刚还完车贷。她问我：“真想好了？下份工作不一定有现在好。”我说：“再干下去，人要废了。”她说：“行，最多给你半年。”
半年。听起来很长，实则转瞬即逝。
前三个月，我刷LeetCode、看论文、调模型，幻想自己能靠“深度学习+大模型”横扫秋招。结果？简历石沉大海，面试寥寥无几。直到今年二月，我意识到：空谈理论不如一个能跑通的项目。
于是我决定做一个端到端的计算机视觉实战项目——不是玩具Demo，而是能部署、能推理、能应对真实场景的玩意儿。目标很明确：用它撬开下一扇门。
一、选型之痛：PyTorch vs. TensorFlow vs. ONNX，谁才是亲儿子？
一开始我犯了个典型错误：纠结框架。
PyTorch灵活，社区活跃，论文复现首选；TensorFlow部署稳，TF Serving、TFLite生态成熟；ONNX则号称“一次训练，到处运行”。我一度在三者之间反复横跳，像极了在相亲市场上挑对象——这个学历高但脾气怪，那个家境好但沟通累。
转折点发生在一个阴雨绵绵的周三下午。我在光谷步行街的瑞幸里，边喝冰美式边刷知乎，看到一条评论：“你又不是发顶会论文，搞那么复杂干嘛？”
醍醐灌顶。
我的目标是求职，不是拿NeurIPS最佳论文。于是立刻拍板：
- 训练阶段用 PyTorch：写起来爽，debug快，GitHub上90%的新SOTA模型都基于它。
- 推理阶段转 ONNX + TensorRT：兼顾跨平台和速度，尤其适合嵌入式或边缘设备（很多武汉本地公司都在搞智能摄像头、工业质检）。
- 放弃 TensorFlow：除非面的是谷歌系或某些传统企业（比如某些银行外包岗），否则真没必要硬啃。
事实证明，这个决策救了我。后来面试时，有个技术主管直接问：“你们项目怎么做的模型部署？”我掏出ONNX+TensorRT的pipeline，他眼睛一亮：“哦，你还知道动态batch和FP16量化？”
——这比背八股文有用多了。
二、工具链：别再只用Jupyter了，兄弟！
裸辞前，我天天在Jupyter Notebook里跑小数据集，以为那就是“开发”。Gap期间才明白：真实项目=数据+代码+版本+部署+监控。
我踩的第一个大坑是数据管理。
项目要做一个工业零件缺陷检测系统（模拟场景），网上找的公开数据集只有200张图，根本不够。于是我花了两周时间，用LabelImg手动标注了1200张图片——手都快抽筋了。更惨的是，中途硬盘崩了一次，没开Git LFS，丢了三天的工作。
从此我立下规矩：
- 数据用DVC（Data Version Control）管理：和Git配合，大文件不进仓库。
- 代码用Poetry锁依赖：别再用requirements.txt了，那玩意儿在不同机器上跑出不同结果的概率高达80%。
- 实验记录用Weights & Biases（W&B）：比TensorBoard清爽太多，还能自动记录超参、指标、甚至模型结构图。
有一次深夜调试，发现mAP突然掉了5个点。翻W&B的历史记录，三分钟定位到是某次数据增强加了随机旋转导致标签错位——要是没这工具，我可能得熬到天亮。
三、Claude救我狗命：不是用来写代码，是用来理清思路
别误会，我不是让AI替我写模型。但Claude确实成了我的“技术陪练”。
比如有次我想实现一个自定义的IoU损失函数，但不确定梯度是否可导。我直接把公式丢给Claude：“帮我分析这个loss是否可微，如果不可微，怎么改？”
它不仅给了数学推导，还附上了PyTorch实现建议，甚至提醒我：“注意边界情况，当预测框和真实框完全不重叠时，分母为零。”
更狠的是，我让它模拟面试官。
我对它说：“你现在是阿里P7，正在面一个做CV项目的候选人，请连环追问技术细节。”
结果它劈头盖脸就是：
“你的backbone为什么选ResNet50而不是EfficientNet？”
“数据不平衡怎么处理的？SMOTE在图像上适用吗？”
“ONNX转换时有没有遇到算子不支持的问题？怎么解决的？”
这些问题，后来真的出现在面试中！尤其是最后那个——某家公司面试官当场让我现场写一个Custom ONNX Op的注册代码（虽然我没写全，但思路对了，还是过了）。
所以别把Claude当码农，把它当技术军师。它不会替你打仗，但能帮你预演战场。
四、面试题：别再背“过拟合怎么办”了，他们早就不问了
我面了8家公司，拿到4个offer（最终选了光谷一家做智能安防的，月薪22K，涨了4K）。最大的感受是：现在的CV岗，根本不考基础八股。
以下是真实被问到的问题：
“你项目里的负样本是怎么构建的？如果正负样本比例1:1000，你怎么保证模型不偏向负类？”
→ 我答：用了Focal Loss + 在线困难样本挖掘（OHEM），并展示了W&B里不同采样策略下的PR曲线。“ONNX模型在Jetson Nano上推理延迟多少？怎么优化的？”
→ 我答：原始模型120ms，通过TensorRT INT8量化+层融合降到38ms，并附上了profiling截图。“如果客户说‘你们模型漏检了一个致命缺陷’，你怎么排查？”
→ 我答：先确认是不是数据分布偏移（比如新产线光照不同），再看是不是训练集没覆盖该类别，最后考虑是否需要主动学习补充样本。
你看，全是场景化、工程化的问题。没人问“什么是卷积”，也没人让你手推反向传播。
五、Gap半年的反思：项目不是越多越好，而是越“真”越好
很多人以为Gap期要堆5个项目，其实不然。一个完整闭环的项目，胜过十个半成品。
我的项目虽然只是“工业缺陷检测”，但我做到了：
- 数据采集 → 标注 → 训练 → 验证 → ONNX导出 → TensorRT加速 → Flask API封装 → Docker部署
- 写了详细的README，包含复现步骤、性能指标、已知问题
- 甚至录了个3分钟演示视频（手机拍的，但能看出效果）
面试时，我把GitHub链接甩过去，对方直接clone下来跑了一遍——能跑通，就是最大的信任状。
当然，过程很痛苦。有天凌晨三点，我在出租屋里对着满屏的CUDA error崩溃大哭。老婆默默给我泡了碗面，说：“要不…咱先找个工作过渡？”
我没说话，但心里清楚：一旦妥协，就永远回不到想要的位置。
结语：技术人的价值，不在工位，在解决问题的能力
现在回头看，裸辞不是冲动，而是一次必要的“系统重装”。
大厂教会我规范，Gap期教会我思考。而那个小小的CV项目，成了连接两者的桥梁。
如果你也在求职路上挣扎，我的建议就三条：
- 别堆砌技术名词，要展示技术决策：为什么选A不选B？权衡了什么？
- 工具链要现代化：DVC、Poetry、W&B这些，不是炫技，是专业性的体现。
- 用真实问题驱动学习：别为了学YOLOv8而学，而是因为“我要检测零件缺陷，YOLOv8快且准”。
上周五晚上，我坐在新公司的工位上（还在光谷软件园，但换了楼），看着窗外的霓虹，想起半年前那个按下发送键的自己。
焦虑过，迷茫过，但从未真正放弃。
技术这条路，从来不是直线冲刺，而是不断调试、不断迭代的过程——就像我们写的模型一样，loss总会下降，只要你还在训练。
共勉。
评论 0