背景：开发一种基于Actor机制的主要面向分布式需求的深度学习训练框架。工作：1. 添加新算子，编写Python与C++接口，实现CPU与GPU版本的Kernel函数（C++ / CUDA），并书写相关文档；2. 迁移现有算子接口，使其对齐PyTorch；3. 对现有CUDA代码进行优化，使其能更高效地在GPU上进行运算；4. 编写单元测试，并参与设计一种通过PyTorch进行测试的自动测试框架，大大简化测试编写；5. 参与修改框架内部接口。成果：丰富了OneFlow的算子库，优化了OneFlow的算法性能——OneFlow的各项算法性能均优于Tensorflow和PyTorch，其中ResNet50-v1.5上的性能比PyTorch快80%，比TensorFlow快35%。OneFlow在Github上有2.6k的Star数量。

背景：在当今最难的游戏——星际争霸上，以AlphaStar论文为基础，开发一个能战胜职业选手的游戏AI。工作：1. 参与了特征和调试工具的开发。通过使用工厂模式和Jinja生成Python代码，加速了接近半个月的进度；2. 使用Kubernetes 的自定义角色接入现有业务，保证了失败Actor的重新启动；3. 使用HDF5进行训练数据的固化，抛弃了原有在线读取数据的方式；4. 对网络参数量和计算量进行统计，精简了现有的Transformer模型，提升了算法的执行效率；5. 对不同打法进行聚类，并使用同一打法进行Fine-tune，一定程度上提升了AI对战的胜率。成果：将监督学习训练出的神族智能体优化到94%胜率，同时节省出50%的CPU机器资源。