个人介绍
精通Java、Golang、C/C++、JavaScript/TypeScript、Python高级编程语言。
熟悉Muduo、Redis框架及其底层原理。
熟悉并深入理解Java和Golang数据结构底层实现。
经常做code review、code refactoring。
精通SQL并操作MySQL、Oracle、PostgreSQL、Microsoft SQL Server、MongoDB、Redis、Elasticsearch、SQLite、MariaDB数据库,深入理解数据库索引底层原理及数据存储结构。
精通使用Virtual box、VMware Workstation软件,十分熟悉Docker虚拟容器技术,可快速部署全部前端和后端整套应用。
熟练掌握单例模式、工厂模式、适配器模式、代理模式、监视者模式、开闭原则等常用设计模式。
熟悉并深入理解多线程 / 协程 / 纤程 操作系统基本的概念和编程。
精通数据结构基础知识,可快速编写bug free的双链表、栈、循环队列、二叉树、表、图等数据结构的C/C++、Java、Golang、JavaScript/TypeScript、Python3实现。
熟练掌握IDEA/Eclipse、PyCharm/Jupyter NoteBook、LiteIDE/GoLand、CLion/VS2019、WebStorm、HBuilder、VSCode等主流IDE软件。
熟练掌握Git全部命令,以及在IDE中使用Git,经常使用Git管理项目和笔记。
熟练掌握动态规划、贪心算法、KMP算法。
精通Linux/Unix系统全部常用命令,有Centos7、Ubuntu、Deepin、RedHat、Kali系统5年多的实际使用经验,曾在Linux系统中进行五十多次编译源码、熟练掌握VIM和GDB操作命令、网卡磁盘等硬件设备管理全部命令。
深入理解jvm、熟练掌握jvm性能调优。
熟练掌握JMeter、PostMan、Finder、Wireshark抓包测试软件。
精通Html/CSS/JavaScript/TypeScript、DOM、Ajax、axios、jQuery、Vue、ES6、webpack/vite、nodejs、elementui、bootstrap、echarts前端技术、熟悉正则表达式。
精通Matplotlib、Seaborn、Bokeh、Pyecharts等Python可视化库。
可十分熟悉进行Android高性能应用开发、支持多线程下载和缓存等机制。
可快速bug free开发高性能WeChat小程序应用。
精通并深入理解RF、LR、SVM、NBM、GMM、KNN、PCA、TSNE等机器学习理论原理,可进行C/C++、Python实现。
熟悉并掌握CNNs、GANs、网络架构,可以用C/C++、Python实现CNN。
熟练掌握TensorFlow、Pytorch等主流机器学习框架,熟悉并理解底层实现重要编码,可快速bug fix。
掌握并理解Java Virtual Machine底层、操作系统原理、计算机组成原理、TCP/IP重要基础知识。
熟悉掌握 Arm64汇编指令、Verilog HDL、C51单片机、香农码和霍夫曼编码等压缩编码理论、微波天线设计知识,可快速设计高增益阻抗匹配天线、设计数字基带传输系统。
熟练掌握SolidWorks、3DMAX、CAD、Adobe全家桶、Origin软件,可快速绘制2D/3D图。
熟练掌握CST STUDIO SUITE、HFSS、FDTD、MATLAB软件,可进行CST与Python/MATLAB联合仿真、HFSS与Python/MATLAB联合仿真,设计天线和超表面结构。
熟悉掌握粒子群算法、模拟退火算法、遗传算法、萤火虫算法、灰狼算法、麻雀算法等智能优化算法远离极其实现。
熟悉掌握区块链、比特币底层原理,能编写智能合约等区块链技术。
熟悉线性代数、矩阵论、微积分、数学分析、概率论、离散数学、数值分析、运筹学、凸优化等基础数学知识。
工作经历
2020-09-01 -2023-07-17内蒙古大学信息与通信
在读全日制学术型硕士研究生,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,
教育经历
2016-08-22 - 2020-06-22内蒙古科技大学通信本科
2016-08-22至2020-06-22 内蒙古科技大学 通信工程 全日制本科 获得一次一等学习奖学金,两次二等学习奖学金,两次社会实践奖学金 学过《C语言程序设计》、《C++程序设计》、《java程序设计》、《Android程度设计》课程。
技能
本设计利用残差网络实现对蚂蚁和蜜蜂的识别,用户可以通过WeChat小程序拍照上传蚂蚁或蜜蜂的图片,后端将算法识别结果回传到前端显示。另外还添加了一个影视视频播放的功能。 算法:残差网络 后端技术栈:Flask、MySQL 前端技术栈:WeChat小程序
图像生成是计算机视觉、计算机图像等领域的重要研究方向。与传统生成模型相比,深度生成模型能够更加有效地逼近更为复杂的高维函数。生成对抗网络(GANs,GenerativeAdversarial Networks)进一步提高了文字生成图像、图像不同模态间转换、图像修复、图像去模糊、超分辨率等的效果。生成对抗网络(GANs)对于生成式模型的发展具有重要的意义。生成对抗网络(GANs)所采用的神经网络结构十分灵活,可生成任意分布的高维数据。这极大的扩展了生成数据样本的范围。阐述本文的课题背景和研究意义,介绍深度学习以及 GANs 的发展历程和国内外研究现状。 针对本研究的主要工作:详细深入介绍传统生成模型、InceptionNet、残差块、DCGAN 模型等。 本文研究的重点是有效结合现有的多种方法,实现高质量的图像生成。