很多人想入行深度学习，但简历上总是空空如也。没有项目经验，投出去的简历石沉大海，面试官问得稍微深一点就卡壳。其实，项目经验不是天上掉下来的，而是动手一点点攒出来的。
从小项目入手，别一上来就想搞大模型
刚学完神经网络基础，别急着复现Transformer或者训练一个百亿参数模型。可以从Kaggle上的入门赛题开始，比如手写数字识别（MNIST）、猫狗分类（CIFAR-10）。这些数据集小，跑得快，适合调试代码和理解流程。
拿MNIST举例，哪怕只是用PyTorch搭个简单的卷积网络，跑通训练和测试流程，也算完成了一个完整项目。之后可以尝试加Dropout、换优化器、调整学习率，观察准确率变化。这些改动虽然小，但在面试中能说出“我试过三种优化器，发现Adam比SGD收敛更快”，就已经比大多数人强了。
用真实问题驱动学习，别只做教程复现
网上教程千篇一律，跟着敲一遍代码容易忘记。不如找点自己感兴趣的问题来练手。比如你喜欢拍照，可以试着做一个自动分类风景照和人像照的小工具；家里有宠物，就训练一个识别自家猫狗动作的模型。
这种带个人色彩的项目，不仅容易坚持，还能在面试时讲出故事。你说“我那个模型是在家里的摄像头视频上训练的，光照不好还经常有阴影”，面试官一听就知道你是真做过，不是抄的。
学会用开源工具，别重复造轮子
新手常犯的错误是啥都从头写。其实Hugging Face、TensorFlow Hub、TorchVision里一堆预训练模型可以直接调用。比如要做图像分类，用ResNet50作为 backbone，几行代码就能搭出骨架。
import torch
import torchvision.models as models
model = models.resnet50(pretrained=True)
model.fc = torch.nn.Linear(2048, 10) # 改成10类输出
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)这样的代码看起来简单，但背后涉及模型加载、迁移学习、微调策略，都是实际工作中常用的技术。掌握这些，比你硬写一个烂大街的全连接网络强得多。
把项目放到GitHub，让别人看得见
做完项目别只存本地。推到GitHub，写个README说明这是干啥的、用了什么技术、达到什么效果。目录结构清晰点，比如分成data/、models/、notebooks/，再放个requirements.txt列出依赖包。
有次一个朋友去面试，面试官直接打开他GitHub，指着其中一个项目问：“你这里为什么用Focal Loss？”他当场解释了一通类别不平衡问题，结果这轮面试顺利通过。项目代码就是你的作品集，比简历上写“熟悉深度学习”有力得多。
参与开源或组队打比赛，接触真实协作
一个人闭门造车容易走偏。可以参加Kaggle、天池、阿里云大赛这类平台的比赛，看看别人怎么处理数据、设计模型、做集成学习。前10%的方案通常会有分享，学着改造成自己的版本。
也可以在GitHub上给开源项目提PR，比如修复文档错别字、补充示例代码。别觉得事小，参与过程能让你熟悉Git协作、代码规范、issue讨论，这些都是职场必备技能。
记录过程，形成自己的知识库
每次实验记下超参数、准确率、失败原因。可以用Markdown写实验日志，比如“2024-03-15：batch_size=64时loss震荡，改成32后稳定收敛”。时间久了，你会发现自己踩过的坑都能成为面试谈资。
有个开发者专门建了个Notion页面，记录所有项目的关键决策点。有次面试被问“什么时候该增大数据增强强度？”，他直接翻出两个对比实验的数据，说服力拉满。