pengxiao/2026_DesignAI
1
0
Fork 0
Code Issues 1 Pull Requests Actions Packages Projects 1 Releases Wiki Activity

refactor: 重组项目目录结构

Browse Source 
以讲义内容为骨架迁移到标准目录格式：
- officefile/ 主内容（12章 + 附录 + CC4SI补充）
- dofile/ 代码示例（11个Python脚本）
- data/ 图片资源
- output/ 生成输出（忽略）
- Archive/ 归档旧目录（忽略）
- .claude/skills/ 保留markdown-to-docx工具链
- .pandoc/ 保留CSL和本地化配置

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
xiaopeng
2026-05-25 14:00:56 +08:00
parent af083069d0
commit 219232de74
91 changed files with 39365 additions and 10 deletions
Download Patch File Download Diff File Expand all files Collapse all files
officefile/appendix/appendix/附录1-基础知识与编程环境.md
+863
View File
@@ -0,0 +1,863 @@
# 附录1：计算机基础与编程环境
本附录介绍计算机的基本构成、操作系统常见操作、程序设计语言的概念、Python编程语言的系统学习指南，以及机器学习与深度学习的实践入门。
## 1 计算机的基本构成与操作系统常见操作
### 1.1 计算机基本构成
了解计算机的基本组成有助于理解AI程序运行时的资源需求。
| 组件 | 作用 | AI相关说明 |
|------|------|-----------|
| CPU | 中央处理器，执行指令 | 数据预处理、逻辑控制 |
| GPU | 图形处理器，并行计算 | 深度学习训练与推理的核心硬件 |
| 内存（RAM） | 临时存储运行中的数据 | 影响能处理的批量大小和数据规模 |
| 硬盘（SSD/HDD） | 持久化存储数据 | 模型文件、数据集的存储 |
| 网络 | 数据传输 | 下载模型、调用云端API |
### 1.2 操作系统常见操作
本书以 macOS/Linux 为主要环境，Windows 用户推荐使用 WSL2（Windows Subsystem for Linux）。
**文件与目录操作**：
```bash
# 查看当前路径
pwd
# 列出文件
ls -la
# 创建目录
mkdir my_project
# 切换目录
cd my_project
# 复制、移动、删除
cp file.txt backup.txt
mv old.txt new.txt
rm unwanted.txt
```
**环境与进程管理**：
```bash
# 查看系统资源
top # CPU和内存使用
df -h # 磁盘空间
nvidia-smi # GPU状态（NVIDIA显卡）
# 包管理
brew install xxx # macOS Homebrew
apt install xxx # Ubuntu/Debian
```
### 1.3 硬件资源推荐
**本地GPU配置**： - GPU：RTX 3060 (12GB) 或更高 - 内存：16GB+ - 存储：至少100GB SSD
**云平台**：
| 平台 | 特点 | 适合场景 |
|------|------|---------|
| Google Colab | 免费GPU | 学习实验 |
| Kaggle Notebooks | 免费GPU | 竞赛 |
| AutoDL | 按时计费 | 中期项目 |
| 阿里云PAI | 国内稳定 | 生产部署 |
### 1.4 软件安装与运行
**"安装"的本质就是**：把编译好的二进制文件放到 PATH 某个目录下，让 shell 能找到它。例如git的安装和使用：
**总结：三层抽象**
```text
┌─────────────────────────────────────────────┐
│ 用户层：brew install git / git clone │ ← 你看到的
├─────────────────────────────────────────────┤
│ Shell 层：搜索 PATH → execve() 加载二进制 │ ← 为什么能找到命令
├─────────────────────────────────────────────┤
│ OS 层：系统调用 (open/read/write/socket) │ ← 为什么能真正干活
├─────────────────────────────────────────────┤
│ 硬件层：CPU 执行指令、网卡收发数据、磁盘写入 │ ← 物理上发生了什么
└─────────────────────────────────────────────┘
```
  所以整个链条是：**包管理器下载编译好的二进制 → 放到 PATH 目录 → shell 通过 PATH 找到它 → execve 加载到内存 →**
   **二进制内部调用 OS API 完成实际工作**。没有任何"魔法"，本质上就是文件操作和进程管理的组合。
## 2 程序设计语言与软件开发
### 2.1 什么是程序设计语言
计算机只能执行由0和1组成的**机器码**（machine code），但人类直接阅读和编写机器码极其困难。程序设计语言就是人与计算机之间的桥梁——用人类可读的语法表达逻辑，再通过特定工具转换为机器可执行的指令。
从底层到高层的演进：
| 层级 | 语言示例 | 特点 |
|------|---------|------|
| 机器码 | 二进制 `01101000` | 计算机直接执行，人类不可读 |
| 汇编语言 | `MOV AX, 1` | 与机器码一一对应，可读性低 |
| 低级语言 | C | 接近硬件，性能高，需要手动管理内存 |
| 高级语言 | Python, Java, JavaScript | 接近自然语言，开发效率高 |
### 2.2 编译型与解释型语言
高级语言需要转换为机器码才能运行，根据转换方式的不同，分为两大类：
**编译型语言（Compiled）**：程序编写完成后，通过编译器一次性将全部代码翻译成机器码，生成可执行文件。
```
源代码 → 编译器 → 可执行文件 → 运行
```
- **C/C++**：系统级开发、高性能计算、游戏引擎
- **Go**：云服务、容器工具（Docker 即用 Go 编写）
- **Rust**：系统编程，兼顾性能与安全
特点：运行速度快，但每次修改代码都需要重新编译。
**解释型语言（Interpreted）**：程序运行时，由解释器逐行读取代码并即时执行，不需要预先编译。
```
源代码 → 解释器逐行执行
```
- **Python**：AI/数据科学的首选语言
- **JavaScript**：网页交互、前端开发
- **Ruby**：Web开发（Ruby on Rails）
特点：开发灵活、调试方便，但运行速度通常慢于编译型语言。
**混合模式**：Java 采用"编译为字节码 → 虚拟机解释执行"的混合方式，兼顾了跨平台和性能。
### 2.3 常见编程语言概览
| 语言 | 类型 | 主要用途 | 与AI/设计的关系 |
|------|------|---------|---------------|
| Python | 解释型 | AI、数据科学、自动化 | 本书主要编程语言 |
| C/C++ | 编译型 | 操作系统、嵌入式、高性能计算 | 深度学习框架的底层实现 |
| Java | 混合型 | 企业应用、Android开发 | 大数据处理（Hadoop/Spark） |
| JavaScript | 解释型 | 网页前端、Node.js后端 | Web可视化、交互设计 |
| Shell/Bash | 解释型 | 命令行脚本、系统管理 | 自动化任务、环境管理 |
| SQL | 声明式 | 数据库查询 | 数据管理与提取 |
**命令行界面（CLI）**：CLI（Command Line Interface）是通过文本命令与计算机交互的方式。终端中输入的每一条命令（如 `ls`、`git commit`）本质上都是调用某个程序。掌握 CLI 是进行AI开发的基础技能，许多工具（如 conda、pip、git）主要通过命令行操作。
### 2.4 软件开发基本概念
| 概念 | 英文 | 说明 |
|------|------|------|
| 集成开发环境 | IDE | 集成代码编辑、调试、运行的开发工具（如 VS Code、PyCharm） |
| 编译器 | Compiler | 将源代码翻译为机器码的程序 |
| 解释器 | Interpreter | 逐行读取并执行源代码的程序 |
| 调试器 | Debugger | 帮助定位和修复代码错误的工具 |
| 包管理器 | Package Manager | 管理第三方库的安装和更新（如 pip、conda、npm） |
| API | Application Programming Interface | 程序之间交互的接口（如调用AI模型的API） |
| 开源 | Open Source | 源代码公开，可自由使用和修改 |
| 版本控制 | Version Control | 管理代码的修改历史（如 Git） |
### 2.5 Python环境配置
Python是本书使用的核心编程语言，以下介绍环境搭建方法。
#### Anaconda vs Miniconda
| 工具 | 大小 | 特点 | 下载地址 |
|------|------|------|---------|
| Anaconda | ~500MB | 预装常用库 | [anaconda.com](https://www.anaconda.com/download) |
| Miniconda | ~50MB | 精简安装 | [docs.conda.io](https://docs.conda.io/en/latest/miniconda.html) |
#### 安装步骤
```bash
# 1. 下载并安装 Anaconda 或 Miniconda
# 2. 创建虚拟环境
conda create -n ai-env python=3.10
conda activate ai-env
# 3. 安装核心科学计算库
conda install numpy pandas scipy
# 4. 安装深度学习框架
pip install torch torchvision
```
## 3 Python编程语言
### 3.1 Python概述与特点
Python由Guido van Rossum于1991年发布，以"优雅""简洁""可读性强"为设计哲学。它是当前AI和数据科学领域使用最广泛的编程语言。
**核心特点**：
- 语法简洁，接近自然语言，入门门槛低
- 丰富的第三方库生态（AI、数据处理、Web等）
- 跨平台运行（Windows、macOS、Linux）
- 活跃的开源社区支持
### 3.2 基础语法
#### 变量与数据类型
```python
# 变量赋值（无需声明类型）
name = "设计人工智能" # 字符串 str
version = 1.0 # 浮点数 float
chapter_count = 26 # 整数 int
is_published = True # 布尔值 bool
# 查看类型
print(type(name)) # <class 'str'>
```
#### 字符串操作
```python
title = "设计人工智能"
# 字符串拼接
full_title = title + "：基础与应用"
# 格式化输出
print(f"本书名为《{full_title}》，共{chapter_count}章")
# 常用方法
print(title.lower()) # 设小写
print(title.replace("人工智能", "AI")) # 替换
print(len(title)) # 长度
```
#### 注释
```python
# 这是单行注释
"""
这是多行注释（文档字符串）
常用于函数和类的说明
"""
# 好的注释解释"为什么"，而不是"做什么"
```
### 3.3 数据结构
#### 列表（List）
有序、可变的序列，最常用的数据结构。
```python
# 创建列表
models = ["CNN", "RNN", "Transformer", "Diffusion"]
# 访问元素（索引从0开始）
print(models[0]) # CNN
print(models[-1]) # Diffusion（倒数第一个）
# 修改
models.append("GAN") # 添加元素
models.remove("RNN") # 删除元素
models.sort() # 排序
# 切片
print(models[1:3]) # 第2到第3个元素
```
#### 字典（Dictionary）
键值对结构，用于存储映射关系。
```python
# 创建字典
model_info = {
"name": "ResNet",
"year": 2015,
"layers": 152,
"task": "图像分类"
}
# 访问
print(model_info["name"]) # ResNet
# 添加/修改
model_info["accuracy"] = 0.96
# 遍历
for key, value in model_info.items():
print(f"{key}: {value}")
```
#### 元组（Tuple）
有序、不可变的序列，适合存储不变的数据。
```python
# 创建元组
rgb = (255, 128, 0)
# 解包
r, g, b = rgb
```
#### 集合（Set）
无序、不重复的元素集合。
```python
tools_a = {"Photoshop", "Figma", "Sketch"}
tools_b = {"Figma", "Blender", "Rhino"}
# 集合运算
print(tools_a & tools_b) # 交集: {"Figma"}
print(tools_a | tools_b) # 并集
```
### 3.4 控制流
#### 条件判断
```python
loss = 0.05
if loss < 0.01:
print("模型收敛良好")
elif loss < 0.1:
print("模型基本收敛")
else:
print("模型需要继续训练")
```
#### 循环
```python
# for 循环
epochs = [1, 2, 3, 4, 5]
for epoch in epochs:
print(f"训练第 {epoch} 轮")
# range 生成序列
for i in range(10):
print(f"第{i}次迭代")
# while 循环
loss = 1.0
while loss > 0.01:
loss = loss * 0.9 # 模拟训练过程
```
#### 列表推导式
简洁地创建新列表：
```python
# 传统写法
squares = []
for x in range(10):
squares.append(x ** 2)
# 列表推导式（推荐）
squares = [x ** 2 for x in range(10)]
# 带条件过滤
even_squares = [x ** 2 for x in range(10) if x % 2 == 0]
```
### 3.5 函数与模块
#### 定义函数
```python
def calculate_accuracy(correct, total):
"""计算准确率"""
return correct / total
# 调用函数
acc = calculate_accuracy(95, 100)
print(f"准确率: {acc:.2%}")
```
#### 默认参数与关键字参数
```python
def train_model(epochs, lr=0.001, optimizer="Adam"):
print(f"训练 {epochs} 轮, 学习率={lr}, 优化器={optimizer}")
# 多种调用方式
train_model(100)
train_model(100, lr=0.01)
train_model(100, optimizer="SGD", lr=0.1)
```
#### 导入模块
```python
# 导入标准库
import os
import json
# 导入第三方库
import numpy as np
import pandas as pd
# 从模块中导入特定功能
from pathlib import Path
from collections import Counter
# 安装第三方库（在终端中执行）
# pip install numpy pandas matplotlib
```
### 3.6 文件读写
```python
# 读取文件
with open("data.txt", "r", encoding="utf-8") as f:
content = f.read()
# 逐行读取
with open("data.csv", "r", encoding="utf-8") as f:
for line in f:
print(line.strip())
# 写入文件
with open("output.txt", "w", encoding="utf-8") as f:
f.write("分析结果\n")
f.write(f"准确率: {acc:.4f}\n")
# 读写JSON（AI应用中常用的数据格式）
import json
data = {"model": "ResNet", "accuracy": 0.96}
# 写入JSON
with open("result.json", "w") as f:
json.dump(data, f, indent=2)
# 读取JSON
with open("result.json", "r") as f:
loaded = json.load(f)
```
### 3.7 面向对象编程基础
面向对象编程（OOP）是Python的重要范式，许多AI库都基于OOP设计。
```python
class NeuralNetwork:
"""简单的神经网络类"""
def __init__(self, input_size, hidden_size, output_size):
"""初始化网络结构"""
self.input_size = input_size
self.hidden_size = hidden_size
self.output_size = output_size
self.loss_history = []
def forward(self, x):
"""前向传播"""
# 这里简化为概念演示
return f"输出: 输入{x}经过{self.hidden_size}个隐藏层神经元"
def train(self, data, epochs=10):
"""训练网络"""
for epoch in range(epochs):
loss = 1.0 / (epoch + 1) # 模拟损失下降
self.loss_history.append(loss)
print(f"Epoch {epoch+1}, Loss: {loss:.4f}")
# 创建实例
model = NeuralNetwork(input_size=784, hidden_size=128, output_size=10)
# 使用
output = model.forward([0.5, 0.3, 0.8])
model.train(data=None, epochs=5)
```
### 3.8 核心科学计算库
#### NumPy：数值计算基础
```python
import numpy as np
# 创建数组
x = np.array([1, 2, 3, 4])
# 矩阵运算
W = np.random.randn(4, 3) # 4×3 权重矩阵
h = np.dot(x, W) # 矩阵乘法
# 激活函数
relu = np.maximum(0, h) # ReLU
# 统计运算
print(np.mean(x)) # 均值
print(np.std(x)) # 标准差
print(np.max(x)) # 最大值
```
#### Pandas：数据处理
```python
import pandas as pd
# 读取数据
df = pd.read_csv('data.csv')
# 查看数据
print(df.head()) # 前几行
print(df.shape) # 行数和列数
print(df.columns) # 列名
# 数据清洗
df = df.dropna() # 删除缺失值
# 统计分析
print(df.describe()) # 描述性统计
# 筛选数据
filtered = df[df['accuracy'] > 0.9]
```
#### Matplotlib：数据可视化
```python
import matplotlib.pyplot as plt
# 折线图：训练损失曲线
epochs = [1, 2, 3, 4, 5]
losses = [0.8, 0.5, 0.3, 0.15, 0.08]
plt.plot(epochs, losses, 'b-o')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss Curve')
plt.savefig('loss_curve.png', dpi=150)
plt.show()
```
### 3.9 深度学习框架
#### PyTorch
```bash
pip install torch torchvision torchaudio
```
**特点**： - 动态计算图 - 研究友好 - 广泛的社区支持
**资源**： - [官方文档](https://pytorch.org/docs/) - [中文教程](https://pytorch.zhangxiann.com/)
#### TensorFlow
```bash
pip install tensorflow
```
**特点**： - 生产部署优化 - Keras高级API - 跨平台支持
### 3.10 AI工具库速查与模型资源
#### 工具库速查
| 类别 | 工具 | 安装命令 | 功能 |
|------|------|---------|------|
| 计算机视觉 | OpenCV | `pip install opencv-python` | 图像处理、视频分析 |
| 目标检测 | Ultralytics | `pip install ultralytics` | YOLO目标检测、实例分割 |
| 图像生成 | Diffusers | `pip install diffusers` | Stable Diffusion模型调用 |
| Agent开发 | LangChain | `pip install langchain langchain-openai` | LLM应用开发框架 |
| Agent开发 | LangGraph | `pip install langgraph` | 状态机式Agent开发 |
| 数据检索 | LlamaIndex | `pip install llama-index` | 数据索引与检索（RAG） |
#### 模型资源
**Hugging Face**：[huggingface.co](https://huggingface.co/)
功能：模型仓库、数据集、Spaces在线演示
**常用预训练模型**：
| 任务 | 推荐模型 | Hugging Face ID |
|------|---------|----------------|
| 文生图 | Stable Diffusion XL | stabilityai/stable-diffusion-xl-base-1.0 |
| 目标检测 | YOLOv8 | Ultralytics |
| 语义分割 | SAM | segment-anything |
| 大语言模型 | Llama 3 | meta-llama/Meta-Llama-3-8B |
## 4 机器学习与深度学习入门教程
本节通过一个完整的实践流程，带领读者从数据准备到模型训练，体验机器学习和深度学习的核心步骤。
### 4.1 机器学习 vs 深度学习
| 维度 | 机器学习 | 深度学习 |
|------|---------|---------|
| 代表算法 | 线性回归、决策树、SVM、随机森林 | CNN、RNN、Transformer |
| 特征工程 | 需要人工设计和选择特征 | 自动从原始数据中学习特征 |
| 数据需求 | 中小规模数据即可 | 通常需要大量数据 |
| 计算资源 | CPU即可 | 通常需要GPU |
| 适用场景 | 结构化数据分析、基线模型 | 图像、文本、语音等非结构化数据 |
### 4.2 scikit-learn：机器学习实践
scikit-learn是Python最经典的机器学习库，提供了丰富的算法和工具。
#### 安装
```bash
pip install scikit-learn
```
#### 完整示例：鸢尾花分类
```python
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
# 1. 加载数据
iris = datasets.load_iris()
X = iris.data # 特征：花萼长度、宽度，花瓣长度、宽度
y = iris.target # 标签：三种鸢尾花
print(f"数据集大小: {X.shape}, 类别数: {len(np.unique(y))}")
# 2. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=42
)
# 3. 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 4. 训练多个模型并比较
models = {
"逻辑回归": LogisticRegression(),
"决策树": DecisionTreeClassifier(max_depth=3),
"随机森林": RandomForestClassifier(n_estimators=100),
}
for name, model in models.items():
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print(f"{name} 准确率: {acc:.2%}")
# 5. 详细评估报告（以随机森林为例）
best_model = models["随机森林"]
y_pred = best_model.predict(X_test)
print("\n分类报告:")
print(classification_report(y_test, y_pred, target_names=iris.target_names))
```
#### 机器学习工作流总结
```
数据收集 → 数据预处理 → 特征工程 → 划分训练/测试集
→ 选择模型 → 训练 → 评估 → 调优 → 部署
```
### 4.3 PyTorch：深度学习实践
PyTorch是当前研究和实验中最流行的深度学习框架，以动态计算图和Pythonic API著称。
#### 张量（Tensor）基础
张量是PyTorch的核心数据结构，类似于NumPy数组，但可以在GPU上运算。
```python
import torch
# 创建张量
a = torch.tensor([1.0, 2.0, 3.0])
b = torch.zeros(3, 4) # 3×4 全零矩阵
c = torch.randn(3, 4) # 3×4 随机矩阵
# 张量运算
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
print(x + y) # 加法
print(torch.dot(x, y)) # 点积
# NumPy互转
import numpy as np
arr = np.array([1, 2, 3])
tensor = torch.from_numpy(arr) # NumPy → Tensor
back = tensor.numpy() # Tensor → NumPy
```
#### 自动求导（Autograd）
PyTorch的autograd模块可以自动计算梯度，是训练神经网络的核心。
```python
# 创建需要梯度的张量
x = torch.tensor([2.0], requires_grad=True)
# 前向计算
y = x ** 2 + 3 * x + 1 # y = x² + 3x + 1
# 反向传播，自动计算 dy/dx
y.backward()
print(f"dy/dx = {x.grad}") # 应为 2x + 3 = 7（x=2时）
```
#### 完整示例：手写数字识别
以下是一个完整的神经网络训练流程，使用经典的MNIST数据集。
```python
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 1. 数据准备
transform = transforms.Compose([
transforms.ToTensor(), # 转为张量
transforms.Normalize((0.1307,), (0.3081,)) # 标准化
])
train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST('./data', train=False, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000)
# 2. 定义模型
class Net(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(28 * 28, 128) # 输入层 → 隐藏层
self.fc2 = nn.Linear(128, 64) # 隐藏层 → 隐藏层
self.fc3 = nn.Linear(64, 10) # 隐藏层 → 输出层（10个数字）
def forward(self, x):
x = x.view(-1, 28 * 28) # 展平图像
x = torch.relu(self.fc1(x)) # ReLU激活
x = torch.relu(self.fc2(x))
x = self.fc3(x) # 输出层不加激活
return x
model = Net()
# 3. 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 4. 训练
for epoch in range(5):
model.train()
total_loss = 0
for batch_x, batch_y in train_loader:
optimizer.zero_grad() # 清零梯度
output = model(batch_x) # 前向传播
loss = criterion(output, batch_y) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数
total_loss += loss.item()
print(f"Epoch {epoch+1}, Loss: {total_loss/len(train_loader):.4f}")
# 5. 测试
model.eval()
correct = 0
total = 0
with torch.no_grad():
for batch_x, batch_y in test_loader:
output = model(batch_x)
_, predicted = torch.max(output, 1)
total += batch_y.size(0)
correct += (predicted == batch_y).sum()
print(f"\n测试准确率: {correct/total:.2%}")
```
### 4.4 使用预训练模型
在实际应用中，通常不需要从头训练模型，而是使用预训练模型进行微调或直接推理。
#### 使用Hugging Face Transformers
```python
# 安装: pip install transformers
from transformers import pipeline
# 文本分类（情感分析）
classifier = pipeline("sentiment-analysis")
result = classifier("This design is amazing!")
print(result)
# [{'label': 'POSITIVE', 'score': 0.9998}]
# 图像分类
image_classifier = pipeline("image-classification")
result = image_classifier("building.jpg")
print(result)
# [{'score': 0.92, 'label': 'palace'}, ...]
```
#### 使用Ultralytics YOLO
```python
# 安装: pip install ultralytics
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolov8n.pt")
# 目标检测
results = model("street_photo.jpg")
# 查看结果
for result in results:
boxes = result.boxes
for box in boxes:
cls = int(box.cls[0])
conf = float(box.conf[0])
label = model.names[cls]
print(f"检测到: {label}, 置信度: {conf:.2f}")
```
### 4.5 GPU加速
深度学习训练在GPU上可以快数十倍。PyTorch的GPU使用非常简洁：
```python
# 检查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")
# 将模型和数据移动到GPU
model = Net().to(device)
# 训练时，数据也需要移到GPU
for batch_x, batch_y in train_loader:
batch_x = batch_x.to(device)
batch_y = batch_y.to(device)
# ... 后续训练代码不变
```
在没有本地GPU的情况下，可以使用 [Google Colab](https://colab.research.google.com/) 免费使用云端GPU运行上述代码。
### 4.6 学习路径建议
| 阶段 | 内容 | 推荐资源 |
|------|------|---------|
| 入门 | Python基础 + NumPy/Pandas | 本附录 §3 |
| 机器学习 | scikit-learn实践 | [scikit-learn官方教程](https://scikit-learn.org/stable/tutorial/) |
| 深度学习基础 | PyTorch入门 + MLP | [PyTorch官方教程](https://pytorch.org/tutorials/) |
| 计算机视觉 | CNN + 图像分类/检测 | 本书第三篇 + CS231n |
| 自然语言处理 | Transformer + LLM | 本书第四篇 + CS224n |
| 生成式AI | Diffusion + AIGC工具 | 本书第五篇 |
| 前沿探索 | Agent + 具身智能 | 本书第六篇 |
officefile/appendix/appendix/附录2-Vibe-Coding与工具链.md
+434
View File
@@ -0,0 +1,434 @@
# 附录2：Vibe Coding与工具链
本附录介绍Vibe Coding的概念与实践，以及Claude Code、Markdown/Obsidian、Git/GitHub等核心工具的使用方法。
## 1 Vibe Coding的概念与工具
### 1.1 什么是Vibe Coding
传统编程：**明确需求 → 设计算法 → 编写代码**
Vibe Coding：**模糊想法 → AI辅助 → 迭代完善**
Vibe Coding是一种以AI为核心的编程新模式：开发者用自然语言描述意图，AI生成代码，再通过迭代对话逐步完善。对于编程经验较少的设计专业读者而言，这种模式大幅降低了技术门槛——不需要记住语法细节，只需要清楚地表达"想要什么"。
### 1.2 工作流程
**1. 描述意图**：用自然语言说明需求
> "帮我创建一个简单的图像分类模型"
**2. AI生成代码**：自动生成完整代码框架
**3. 运行测试**：发现问题或需要调整
**4. 迭代优化**：通过对话逐步改进
> "把隐藏层改成128个神经元"
**5. 理解学习**：阅读AI生成的代码，理解实现原理
### 1.3 实践技巧
| 技巧 | 说明 |
|------|------|
| 明确需求 | 详细描述输入输出，提供上下文 |
| 分步实现 | 复杂功能拆解为小任务，逐步完成 |
| 验证结果 | 运行并检查AI生成的代码是否正确 |
| 学习思考 | 不盲目接受，理解AI为什么这样写 |
### 1.4 工具生态
| 工具 | 形态 | 特点 | 适用场景 |
|------|------|------|---------|
| ChatGPT / Claude | 网页对话 | 代码生成与解释 | 学习咨询、快速原型 |
| GitHub Copilot | 编辑器插件 | 实时代码补全 | 日常开发 |
| Cursor | AI原生IDE | 对话式编程 | 快速原型、中型项目 |
| Claude Code | 终端CLI | 终端AI编程、多文件协作 | 项目级开发 |
| Replit Agent | 在线平台 | 端到端开发 | 小型项目、学习实验 |
## 2 Claude Code简介与使用
### 2.1 什么是Claude Code
Claude Code是Anthropic推出的命令行AI编程工具（CLI），能够直接在终端中理解项目上下文、读写文件、执行命令，实现端到端的AI辅助开发。它也提供VSCode扩展，可以在编辑器中无缝使用。
### 2.2 安装与配置
```bash
# 安装（需要 Node.js 18+）
npm install -g @anthropic-ai/claude-code
# 进入项目目录后启动
cd my_project
claude
```
启动后进入交互式对话界面，直接用自然语言描述需求即可。
### 2.3 核心使用方式
**对话式开发**：用自然语言描述任务，Claude Code会自动读取相关文件、编写代码、执行测试。
```
> 帮我创建一个数据预处理的Python脚本，读取CSV文件并清洗缺失值
```
**文件操作**：Claude Code可以直接读取、创建和编辑项目中的文件，每次修改前会征得确认。
**命令执行**：可以请求Claude Code运行终端命令，如安装依赖、运行脚本等。
### 2.4 VSCode中的Claude Code
Claude Code提供VSCode扩展，在编辑器中获得同样的AI辅助能力：
1. 在VSCode扩展商店搜索 "Claude Code" 并安装
2. 打开项目文件夹
3. 使用快捷键或侧边栏打开Claude面板
4. 在编辑器中选中代码后，可以直接向Claude提问或请求修改
**常用场景**：
- 选中一段代码，请求"解释这段代码"
- 选中函数，请求"添加错误处理"
- 在Claude面板中输入"帮我写单元测试"
### 2.5 典型项目工作流
**推荐项目结构**：
```
project/
├── data/ # 数据文件
├── notebooks/ # Jupyter笔记本
├── src/ # 源代码
│ ├── models/ # 模型定义
│ ├── utils/ # 工具函数
│ └── train.py # 训练脚本
├── requirements.txt # 依赖列表
└── README.md # 项目说明
```
**开发流程**：
```bash
# 1. 创建环境
conda create -n myproject python=3.10
conda activate myproject
# 2. 安装依赖
pip install -r requirements.txt
# 3. 启动 Claude Code 进行AI辅助开发
claude
# 4. 保存环境
conda env export > environment.yml
```
## 3 Markdown语法及Obsidian工具
### 3.1 Markdown简介
Markdown是一种轻量级标记语言，用纯文本格式编写文档，可以方便地转换为HTML、PDF等格式。它的语法简洁直观，是技术文档、笔记、学术写作的常用工具。
本书全部内容即使用Markdown编写。
### 3.2 基础语法
**标题**：
```markdown
# 一级标题
## 二级标题
### 三级标题
```
唯一的一级标题：在一个文档中，通常只使用一个一级标题作为文档的主标题，这符合良好的文档结构规范。
**文本格式**：
```markdown
*斜体* **加粗** ***粗斜体*** ~~删除线~~ <u>下划线</u> `行内代码` ==高亮文本== ___分隔线
```
包含反引号的代码：当代码本身包含反引号时，使用两个反引号包围，使用 `` `code` `` 这样的格式
**列表**：
列表可以嵌套使用
```markdown
- 无序列表项1
- 无序列表项2
1. 有序列表项1
2. 有序列表项2
- [ ] 未完成的任务
- [x] 已完成的任务
```
**链接与图片**：
```markdown
[链接文字](https://example.com) <!-- 行内链接 -->
[链接文字][1] <!-- 参考式链接 -->
[跳转到基础](#基础) <!-- 锚点链接 -->
[1]: https://www.example.com <!-- 参考链接定义 -->
![图片说明](image.png) <!-- 基本图片 -->
*图7.8 路杀动物* <!-- 图片下方用斜体作为图注 -->
<!-- 图片居中对齐并指定宽度 -->
<div align="center">
<img src="image.png" alt="说明" style="width:10cm;"/>
<p><em>图片标题</em></p>
</div>
```
**代码块**：
````markdown
```python
print("Hello, World!")
```
````
带行号的代码区块（需要渲染器支持，如 Docusaurus、VuePress）：
````markdown
```javascript linenums="1"
function greet(name) {
console.log(`Hello, ${name}!`);
}
```
````
**表格**：
```markdown
| 列1 | 列2 | 列3 |
|-----|-----|-----|
| 内容 | 内容 | 内容 |
```
对齐方式：`:---` 左对齐，`:---:` 居中，`---:` 右对齐：
```markdown
| 左对齐 | 居中对齐 | 右对齐 |
| :----- | :------: | -----: |
| 内容 | 内容 | 100 |
```
**注记**：
输入后在Obsidian编辑器中会自动弹出添加注记模块
```markdown
脚注[^1]
```
**引用**：
```markdown
> 这是一段引用文字
> 多级嵌套引用
> > 第二层
> > > 第三层
> **本章要点**
>
> - 了解项目背景和目标
> - 掌握核心功能特性
```
**图表绘制（Mermaid）**：
使用 `` ```mermaid `` 代码块，部分渲染器（GitHub、Typora、Obsidian）支持：
流程图：
````markdown
```mermaid
graph LR
A[开始] --> B{条件判断}
B -->|是| C[执行操作1]
B -->|否| D[执行操作2]
C --> E[结束]
D --> E
```
````
时序图：
````markdown
```mermaid
sequenceDiagram
participant 用户
participant 系统
用户->>系统: 登录请求
系统-->>用户: 返回结果
```
````
甘特图：
````markdown
```mermaid
gantt
title 项目计划
dateFormat YYYY-MM-DD
section 设计
需求分析 :done, 2024-01-01, 15d
section 开发
编码实现 :active, 2024-01-16, 30d
```
````
饼图：
````markdown
```mermaid
pie
title 市场份额
"Chrome" : 65
"Safari" : 15
"其他" : 20
```
````
**数学公式**：
行内公式用 `$...$`，块级公式用 `$$...$$`，语法基于 LaTeX：
```markdown
质能方程 $E = mc^2$，其中 $c$ 为光速。
```
$$
\int_{-\infty}^{\infty} e^{-x^2} dx = \sqrt{\pi}
$$
多行对齐公式：
$$
\begin{align}
f(x) &= ax^2 + bx + c \\
f'(x) &= 2ax + b
\end{align}
$$
矩阵：
$$
\begin{pmatrix}
a & b \\
c & d
\end{pmatrix}
$$
### 3.3 Obsidian：Markdown笔记工具
[Obsidian](https://obsidian.md/) 是一款基于Markdown的知识管理工具，适合构建个人知识库和笔记系统。
**核心特性**：
- **本地存储**：所有笔记以Markdown文件保存在本地，数据完全自主
- **双向链接**：用 `[[笔记名]]` 在笔记之间建立链接，形成知识网络
- **图谱视图**：可视化笔记之间的关联关系
- **插件生态**：丰富的社区插件扩展功能（如日历、看板、模板等）
- **实时预览**：编辑Markdown时实时渲染效果
**使用建议**：
- 用Obsidian打开本教材的根目录，即可获得完整的阅读与编辑体验
- 建议安装"目录"插件，方便在长文档中快速导航
- 利用双向链接功能，将学习笔记与教材内容关联起来
## 4 Git版本管理与GitHub协作
### 4.1 为什么需要版本管理
在项目开发过程中，文件会不断修改。版本管理工具可以：
- 记录每一次修改的内容和时间
- 随时回退到之前的任意版本
- 多人协作时避免互相覆盖
Git是当前最流行的分布式版本管理系统。
### 4.2 Git基础操作
**初始化仓库**：
```bash
# 在项目目录中初始化Git
cd my_project
git init
```
**日常三步曲**：
```bash
# 1. 查看当前修改状态
git status
# 2. 将修改添加到暂存区
git add filename.md # 添加指定文件
git add . # 添加所有修改
# 3. 提交修改（附带说明）
git commit -m "添加了数据预处理功能"
```
**查看历史**：
```bash
# 查看提交历史
git log --oneline
# 查看某次提交的具体改动
git show abc1234
```
**回退操作**：
```bash
# 查看某文件的历史版本
git log -- filename.md
# 恢复某个文件到指定版本
git checkout abc1234 -- filename.md
```
### 4.3 GitHub：云端协作平台
[GitHub](https://github.com/) 是基于Git的代码托管平台，提供云端存储和协作功能。
**核心概念**：
- **仓库（Repository）**：项目的存储空间，包含所有文件和历史记录
- **远程同步**：将本地仓库推送到GitHub，或从GitHub拉取更新
- **协作**：多人通过分支和合并协同工作
**常用操作**：
```bash
# 关联远程仓库
git remote add origin https://github.com/username/project.git
# 推送到远程
git push -u origin main
# 从远程拉取更新
git pull
```
**本书的Git管理**：
本书内容即通过Git进行版本管理。每个章节的修改都有完整的提交记录，可以通过 `git log` 查看内容的演变历史。
### 4.4 推荐工作流
对于设计专业的学习和研究项目，建议采用以下简化工作流：
```
编写/修改文档 → git add → git commit → git push
```
每次完成一个阶段性工作（如写完一节内容、完成一次实验）后提交一次，附上简洁的说明。这样既保留了完整的历史记录，也不会因为误操作而丢失工作成果。
officefile/appendix/appendix/附录3-学术论文撰写工作流.md
+73
View File
@@ -0,0 +1,73 @@
# 附录3：学术论文撰写工作流
本附录介绍文献检索管理、论文写作工具、AI辅助写作流程及引用格式规范。
## 1 文献检索与管理
### 1.1 检索平台
| 平台 | 特点 | 网址 |
|------|------|------|
| Google Scholar | 综合学术搜索 | [scholar.google.com](https://scholar.google.com/) |
| arXiv | AI领域预印本 | [arxiv.org](https://arxiv.org/) |
| Semantic Scholar | AI辅助文献搜索 | [semanticscholar.org](https://www.semanticscholar.org/) |
| CNKI | 中文学术文献 | [cnki.net](https://www.cnki.net/) |
### 1.2 文献管理工具
| 工具 | 特点 |
|------|------|
| Zotero | 免费、开源、支持浏览器插件 |
| Mendeley | PDF标注与协作 |
| EndNote | 功能全面、与Word深度集成 |
## 2 论文写作工具
### 2.1 LaTeX
学术排版的行业标准，适合公式密集的论文。
- **在线编辑**：[Overleaf](https://www.overleaf.com/) — 无需本地安装，支持协作
- **本地编辑**：TeX Live + VSCode LaTeX Workshop 插件
### 2.2 Markdown + Pandoc
轻量级写作方案，适合课程报告和技术文档。
```bash
# Markdown 转 Word / PDF
pandoc paper.md -o paper.docx
pandoc paper.md -o paper.pdf --pdf-engine=xelatex
```
## 3 AI辅助写作流程
**1. 文献综述**：使用 ChatGPT/Claude 快速了解研究领域的核心文献和发展脉络
**2. 大纲生成**：通过AI辅助梳理论文结构和逻辑框架
**3. 段落撰写**：AI辅助润色语言表达、翻译中英文
**4. 格式排版**：利用模板和工具自动处理格式
> **注意**：AI辅助写作应遵循学术诚信原则，AI生成的内容需人工审核和改写，核心观点和论证应由作者独立完成。
## 4 引用与格式规范
### 4.1 常用引用格式
- **APA**：社会科学常用
- **IEEE**：工程和计算机科学常用
- **GB/T 7714**：中国国家标准
### 4.2 BibTeX示例
```bibtex
@article{vaswani2017attention,
title={Attention is all you need},
author={Vaswani, Ashish and others},
journal={NeurIPS},
volume={30},
year={2017}
}
```
officefile/appendix/appendix/附录4-网络、网站与在线可视化.md
+325
View File
@@ -0,0 +1,325 @@
# 附录5：网络、网站与在线可视化
本附录介绍网络基础知识、网站搭建入门，以及在线数据可视化的工具与方法。
## 1 网络基础知识
### 1.1 互联网与Web
互联网（Internet）是由全球计算机互相连接而成的网络。Web（万维网）是运行在互联网上的信息系统，通过浏览器访问网页来获取信息。
**核心概念**：
| 概念 | 说明 |
|------|------|
| URL | 统一资源定位符，即网页地址（如 `https://example.com/page`） |
| HTTP/HTTPS | 浏览器与服务器之间传输数据的协议，HTTPS 为加密版本 |
| HTML | 网页的骨架，定义页面结构和内容 |
| CSS | 网页的样式，控制颜色、字体、布局等外观 |
| JavaScript | 网页的行为，实现交互功能和动态效果 |
| API | 应用程序接口，程序之间交换数据的标准方式 |
### 1.2 前端与后端
一个完整的Web应用由前端和后端两部分组成：
```
用户浏览器（前端） ←→ 服务器（后端） ←→ 数据库
HTML/CSS/JS Python/Node.js MySQL/PostgreSQL
```
**前端**：用户在浏览器中看到和操作的界面，使用 HTML、CSS、JavaScript 构建。
**后端**：运行在服务器上的程序，处理数据逻辑、存储和检索，可以用 Python（Flask/Django/FastAPI）、Node.js、Java 等实现。
### 1.3 API与数据交互
API（Application Programming Interface）是程序之间通信的接口。在AI应用中，调用大语言模型、获取在线数据等操作都通过API完成。
**RESTful API 基本概念**：
| 方法 | 用途 | 示例 |
|------|------|------|
| GET | 获取数据 | 获取模型列表 |
| POST | 提交数据 | 发送文本让模型生成回复 |
| PUT | 更新数据 | 更新模型参数 |
| DELETE | 删除数据 | 删除一条记录 |
**调用API的Python示例**：
```python
import requests
# 调用一个公开API获取数据
response = requests.get("https://api.example.com/models")
data = response.json() # 将返回的JSON解析为Python字典
print(data)
# POST请求示例
payload = {"prompt": "设计一个现代风格的客厅", "model": "stable-diffusion"}
response = requests.post("https://api.example.com/generate", json=payload)
```
### 1.4 JSON数据格式
JSON（JavaScript Object Notation）是Web上最常用的数据交换格式，几乎所有API都使用JSON传递数据。
```json
{
"model": "ResNet",
"accuracy": 0.96,
"layers": [64, 128, 256, 512],
"metadata": {
"author": "He et al.",
"year": 2015
}
}
```
Python中读写JSON：
```python
import json
# Python字典 → JSON字符串
data = {"name": "Transformer", "year": 2017}
json_str = json.dumps(data, indent=2)
# JSON字符串 → Python字典
parsed = json.loads(json_str)
```
## 2 网站搭建入门
### 2.1 静态网站与动态网站
| 类型 | 说明 | 技术栈 | 适用场景 |
|------|------|--------|---------|
| 静态网站 | 页面内容固定，无需服务器处理 | HTML/CSS/JS | 作品集、项目文档 |
| 动态网站 | 内容根据请求动态生成 | 前端 + 后端 + 数据库 | 在线工具、数据平台 |
### 2.2 静态网站快速搭建
对于设计专业的学生，最实用的方式是使用静态网站生成器搭建项目展示或文档站点。
**MkDocs**：用Markdown编写内容，生成美观的文档网站。
```bash
# 安装
pip install mkdocs mkdocs-material
# 创建项目
mkdocs new my-site
cd my-site
# 本地预览（浏览器访问 http://127.0.0.1:8000）
mkdocs serve
# 构建静态文件
mkdocs build
```
**GitHub Pages**：将静态网站免费部署到互联网。
1. 在GitHub上创建仓库
2. 将网站文件推送到仓库
3. 在仓库设置中启用 GitHub Pages
4. 即可通过 `https://username.github.io/repo` 访问
### 2.3 HTML/CSS/JavaScript 速览
#### HTML：页面结构
```html
<!DOCTYPE html>
<html>
<head>
<title>我的设计作品集</title>
</head>
<body>
<h1>设计作品集</h1>
<p>欢迎来到我的作品展示页面</p>
<img src="design.jpg" alt="设计作品">
<a href="https://example.com">了解更多</a>
</body>
</html>
```
#### CSS：页面样式
```css
body {
font-family: "Helvetica", sans-serif;
max-width: 800px;
margin: 0 auto;
padding: 20px;
}
h1 {
color: #2c3e50;
text-align: center;
}
```
#### JavaScript：页面交互
```javascript
// 点击按钮时显示消息
document.getElementById("myButton").addEventListener("click", function() {
alert("按钮被点击了！");
});
```
### 2.4 前端框架简介
对于更复杂的Web应用，可以使用前端框架提升开发效率：
| 框架 | 特点 | 适用场景 |
|------|------|---------|
| Vue.js | 渐进式框架，学习曲线平缓 | 交互式数据展示 |
| React | 组件化开发，生态最丰富 | 复杂单页应用 |
| Streamlit | Python编写Web应用 | AI模型展示、数据分析仪表板 |
**Streamlit 示例**（用Python快速构建AI展示页面）：
```python
import streamlit as st
st.title("图像分类演示")
st.write("上传一张图片，AI将识别其中的内容")
uploaded_file = st.file_uploader("选择图片", type=["jpg", "png"])
if uploaded_file:
st.image(uploaded_file, caption="上传的图片")
st.write("分类结果：建筑（置信度 95%）")
```
```bash
# 安装并运行
pip install streamlit
streamlit run app.py
```
### 2.5 网站部署方式
| 方式 | 特点 | 费用 |
|------|------|------|
| GitHub Pages | 适合静态网站，免费 | 免费 |
| Vercel / Netlify | 支持前端框架自动部署 | 免费额度 |
| 云服务器（阿里云/腾讯云） | 完全控制，适合动态网站 | 按需付费 |
| Hugging Face Spaces | 适合AI模型演示 | 免费额度 |
## 3 在线数据可视化
### 3.1 为什么需要数据可视化
设计领域的AI研究和实践经常涉及数据展示：训练损失曲线、模型性能对比、空间数据分析结果等。数据可视化将抽象的数字转化为直观的图形，帮助理解和决策。
### 3.2 Python可视化库
#### Matplotlib：基础绑图
```python
import matplotlib.pyplot as plt
# 折线图
epochs = range(1, 11)
train_loss = [0.9, 0.6, 0.4, 0.25, 0.15, 0.1, 0.07, 0.05, 0.04, 0.03]
val_loss = [0.85, 0.65, 0.45, 0.35, 0.28, 0.25, 0.24, 0.23, 0.23, 0.24]
plt.figure(figsize=(8, 5))
plt.plot(epochs, train_loss, 'b-o', label='Train Loss')
plt.plot(epochs, val_loss, 'r-s', label='Val Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training vs Validation Loss')
plt.legend()
plt.grid(True, alpha=0.3)
plt.savefig('loss_comparison.png', dpi=150, bbox_inches='tight')
plt.show()
```
#### Seaborn：统计可视化
基于Matplotlib，提供更美观的统计图表。
```python
import seaborn as sns
# 热力图：相关性矩阵
import numpy as np
data = np.random.randn(10, 10)
corr = np.corrcoef(data)
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('Feature Correlation Heatmap')
plt.savefig('heatmap.png', dpi=150)
```
#### Plotly：交互式可视化
支持鼠标悬停、缩放、导出等交互操作，适合Web展示。
```python
import plotly.express as px
# 交互式散点图
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length",
color="species", size="petal_length",
title="Iris Dataset Scatter Plot")
fig.write_html("scatter.html") # 导出为网页
fig.show()
```
### 3.3 在线可视化工具
无需编程，通过网页界面即可创建可视化：
| 工具 | 特点 | 网址 |
|------|------|------|
| Observable | JavaScript驱动的交互式笔记本 | [observablehq.com](https://observablehq.com/) |
| Flourish | 拖拽式数据可视化，模板丰富 | [flourish.studio](https://flourish.studio/) |
| Datawrapper | 适合制作新闻级图表 | [datawrapper.de](https://www.datawrapper.de/) |
| Tableau Public | 强大的商业智能可视化 | [public.tableau.com](https://public.tableau.com/) |
| ECharts | 百度开源的交互式图表库 | [echarts.apache.org](https://echarts.apache.org/) |
### 3.4 地理空间可视化
设计领域经常涉及地理和空间数据的可视化：
| 工具 | 特点 | 适用场景 |
|------|------|---------|
| Folium | Python地图可视化库 | 在地图上标注数据点 |
| Kepler.gl | Uber开源的大规模地理数据可视化 | 城市数据分析 |
| Mapbox | 自定义地图样式 | 设计精美的交互地图 |
| QGIS | 开源GIS桌面软件 | 空间分析与制图 |
**Folium 示例**（在地图上标记位置）：
```python
import folium
# 创建地图（以某坐标为中心）
m = folium.Map(location=[39.9, 116.4], zoom_start=12)
# 添加标记
folium.Marker(
[39.9, 116.4],
popup="设计学院",
icon=folium.Icon(color="blue", icon="info-sign")
).add_to(m)
# 保存为网页
m.save("map.html")
```
### 3.5 可视化设计原则
| 原则 | 说明 |
|------|------|
| 选择合适的图表类型 | 比较→柱状图，趋势→折线图，占比→饼图，关系→散点图 |
| 保持简洁 | 每张图只传达一个核心信息，避免过度装饰 |
| 使用合理的色彩 | 同类数据用同色系，对比数据用对比色，注意色盲友好 |
| 标注清晰 | 标题、轴标签、图例、数据来源缺一不可 |
| 交互增强 | 在线可视化支持筛选、缩放、悬停查看详情 |
officefile/appendix/appendix/附录5-在线学习资源.md
+31
View File
@@ -0,0 +1,31 @@
# 附录5：在线学习资源
本附录整理AI学习过程中常用的在线课程、技术博客与文档、以及公开数据集。
## 1 推荐课程
| 名称 | 平台 | 链接 |
|------|------|------|
| CS231n：计算机视觉 | Stanford | [cs231n.stanford.edu](http://cs231n.stanford.edu/) |
| Fast.ai：实用深度学习 | fast.ai | [course.fast.ai](https://course.fast.ai/) |
| 吴恩达深度学习专项课 | Coursera | [coursera.org](https://www.coursera.org/specializations/deep-learning) |
| CS224n：NLP与深度学习 | Stanford | [web.stanford.edu](https://web.stanford.edu/class/cs224n/) |
| 李宏毅机器学习 | YouTube | [youtube.com](https://www.youtube.com/c/HungyiLeeNTU) |
## 2 博客与文档
- [Lil'Log](https://lilianweng.github.io/) - AI深度技术文章
- [The Illustrated Transformer](https://jalammar.github.io/illustrated-transformer/) - 可视化原理解析
- [Distill.pub](https://distill.pub/) - 交互式可视化论文
- [PyTorch官方文档](https://pytorch.org/docs/)
- [Ultralytics YOLO文档](https://docs.ultralytics.com/)
- [LangChain文档](https://python.langchain.com/)
## 3 数据集
| 数据集 | 内容 | 链接 |
|--------|------|------|
| ImageNet | 图像分类 | [image-net.org](https://www.image-net.org/) |
| COCO | 目标检测 | [cocodataset.org](https://cocodataset.org/) |
| MNIST | 手写数字 | [yann.lecun.com](http://yann.lecun.com/exdb/mnist/) |
| OpenStreetMap | 地图数据 | [openstreetmap.org](https://www.openstreetmap.org/) |
officefile/appendix/appendix/附录6-其他资源.md
+49
View File
@@ -0,0 +1,49 @@
# 附录6：其他资源
本附录整理AIGC工具、设计领域AI工具，以及设计AI相关的学术期刊与会议。
## 1 AIGC工具
### 1.1 Stable Diffusion
**WebUI**：[Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui)
**ComfyUI**：[GitHub](https://github.com/comfyanonymous/ComfyUI)
**API调用示例**：
```python
from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
image = pipe("a photo of an astronaut riding a horse on mars").images[0]
```
### 1.2 Midjourney
**平台**：Discord **文档**：[docs.midjourney.com](https://docs.midjourney.com/)
## 2 设计领域AI工具
| 工具 | 用途 | 网址 |
|------|------|------|
| Midjourney | 图像生成与创意探索 | [midjourney.com](https://www.midjourney.com/) |
| Stable Diffusion | 本地可控图像生成 | [stability.ai](https://stability.ai/) |
| ControlNet | 精确结构控制 | [arxiv.org](https://arxiv.org/abs/2302.05543) |
| Figma AI | 界面设计辅助 | [figma.com](https://www.figma.com/) |
| Galileo AI | 界面布局生成 | [usegalileo.ai](https://www.usegalileo.ai/) |
| Planner 5D | 室内设计自动生成 | [planner5d.com](https://planner5d.com/) |
## 3 学术期刊与会议
### 3.1 设计AI相关期刊
- Landscape and Urban Planning
- Environment and Planning B: Urban Analytics and City Science
- Automation in Construction
### 3.2 设计AI相关会议
- CAAD Futures
- ACADIA
- eCAADe
officefile/appendix/appendix/附录7-参考文献.md
+127
View File
@@ -0,0 +1,127 @@
# 附录7：参考文献
本部分整理教材中引用的论文、书籍和在线资源。
论文
# 基础理论
4. Universal Approximation Theorem (1989)
Scaling Laws for Neural Language Models (2020)
# 计算机视觉
6. AlexNet (2012) - ImageNet Classification with Deep Convolutional Neural Networks
ResNet (2015) - Deep Residual Learning for Image Recognition
YOLO (2016) - You Only Look Once: Unified, Real-Time Object Detection
U-Net (2015) - Convolutional Networks for Biomedical Image Segmentation
# Transformer与大模型
10. Attention Is All You Need (2017)
BERT: Pre-training of Deep Bidirectional Transformers (2018)
GPT-3: Language Models are Few-Shot Learners (2020)
Training Language Models to Follow Instructions with Human Feedback (2022)
# 生成式AI
14. Denoising Diffusion Probabilistic Models (2020)
High-Resolution Image Synthesis with Latent Diffusion Models (2022)
ControlNet (2023)
# AI Agent
1. LLM Powered Autonomous Agents (2023)
2. ReAct: Synergizing Reasoning and Acting in Language Models (2022)
3.
# 书籍
5. 深度学习
6. Deep Learning (Ian Goodfellow et al.)
7. Neural Networks and Deep Learning (Michael Nielsen)
8. 强化学习
9. Reinforcement Learning: An Introduction (Sutton & Barto)
10.
# 在线资源
12. 课程
13. CS231n: Convolutional Neural Networks for Visual Recognition
14. Fast.ai Practical Deep Learning for Coders
## 工具文档
16. PyTorch: https://pytorch.org/docs/
17. Ultralytics YOLO: https://docs.ultralytics.com/
18. LangChain: https://python.langchain.com/
## 博客
20. Lil'Log (Lilian Weng): https://lilianweng.github.io/
21. The Illustrated Transformer: https://jalammar.github.io/illustrated-transformer/
22.
# 设计AI相关
## 学术期刊
25. Landscape and Urban Planning
26. Environment and Planning B: Urban Analytics and City Science
27. Automation in Construction
## 会议
29. CAAD Futures
30. ACADIA
31. eCAADe
32.
# 数据集
## 计算机视觉
35. ImageNet
36. COCO (Common Objects in Context)
37. MNIST
## 空间数据
39. OpenStreetMap
40. 路网数据、POI数据等
# 许可说明
部分内容引用自公开资源，遵循相应许可协议使用。
**最后更新**：2026年4月
officefile/appendix/appendix/附录8-关键术语表.md
+318
View File
@@ -0,0 +1,318 @@
# 附录8：关键术语表
本附录按章节整理书中涉及的关键中英文术语。
## A
-------------------------------------------------------
中文 英文 章节
------------------ ----------------------------- ------
自编码器 Autoencoder, AE 11
注意力机制 Attention 8
人类反馈强化学习 RLHF 10
人工智能 AI, Artificial Intelligence 1
AI for Science AI4S 1
AI in Education AIED 1
-------------------------------------------------------
## B
----------------------------------
中文 英文 章节
------------ -------------- ------
边界框 Bounding Box 6
生物多样性 Biodiversity 24
----------------------------------
## C
-------------------------------------------
中文 英文 章节
-------------- ------------------ ---------
卷积神经网络 CNN 5, 6, 7
卷积核 Kernel/Filter 5
因果推断 Causal Inference \-
连通性 Connectivity 25
交叉熵 Cross Entropy 4
-------------------------------------------
## D
-----------------------------------------
中文 英文 章节
-------------- ------------------- ------
扩散模型 Diffusion Model 11
数字孪生 Digital Twin 14
深度学习 Deep Learning 2
设计生成式AI Generative Design 20
-----------------------------------------
## E
------------------------------------------
中文 英文 章节
-------------- -------------------- ------
生态系统服务 Ecosystem Services 24
具身智能 Embodied AI 14
编码器 Encoder 9
解码器 Decoder 9
------------------------------------------
## F
---------------------------------------------
中文 英文 章节
---------- --------------------------- ------
特征图 Feature Map 5
前馈网络 FFN, Feed-Forward Network 2, 9
俯瞰 Foundation Model \-
---------------------------------------------
## G
---------------------------------------------
中文 英文 章节
-------------- ------------------ -----------
生成对抗网络 GAN 11
生成式AI AIGC 1, 11, 16
梯度下降 Gradient Descent 4
图神经网络 GNN 2
---------------------------------------------
## H
-----------------------------------
中文 英文 章节
-------- ------------------- ------
HITL Human-in-the-Loop 15
隐藏层 Hidden Layer 3
超参数 Hyperparameter \-
-----------------------------------
## I
-----------------------------------------
中文 英文 章节
---------- ----------------------- ------
交并比 IoU 6
图像分类 Image Classification 6
实例分割 Instance Segmentation 7
-----------------------------------------
## K
---------------------------------
中文 英文 章节
-------- ----------------- ------
键 Key 8
核函数 Kernel Function \-
---------------------------------
## L
-----------------------------------------
中文 英文 章节
------------ --------------------- ------
大语言模型 LLM 10
损失函数 Loss Function 4
学习率 Learning Rate 4
LoRA Low-Rank Adaptation 12
潜在空间 Latent Space 11
-----------------------------------------
## M
--------------------------------------------
中文 英文 章节
------------ ------------------------ ------
多头注意力 Multi-Head Attention 8
多层感知机 MLP 3, 4
多模态 Multimodal 10
MCP Model Context Protocol 15
平均精度 mAP 6
--------------------------------------------
## N
--------------------------------------
中文 英文 章节
-------------- ---------------- ------
归一化 Normalization 9
神经网络 Neural Network 2
非极大值抑制 NMS 6
--------------------------------------
## O
---------------------------------------------
中文 英文 章节
----------------- -------------------- ------
目标检测 Object Detection 6
优化器 Optimizer 4
One-Stage检测器 One-Stage Detector 6
---------------------------------------------
## P
---------------------------------------
中文 英文 章节
---------- --------------------- ------
位置编码 Positional Encoding 8
池化 Pooling 5
提示工程 Prompt Engineering 10
预训练 Pre-training 10
像素 Pixel 7
---------------------------------------
## Q
---------------------------
中文 英文 章节
------- ------------ ------
查询 Query 8
Q学习 Q-Learning 14
---------------------------
## R
------------------------------------------------------
中文 英文 章节
-------------- -------------------------------- ------
RAG Retrieval-Augmented Generation 10
ReAct Reasoning + Acting 13
强化学习 RL, Reinforcement Learning 14
循环神经网络 RNN 2
残差连接 Residual Connection 9
值 Value 8
感受野 Receptive Field 5
------------------------------------------------------
## S
-----------------------------------------------
中文 英文 章节
---------------- ----------------------- ------
Self-Attention 自注意力 8
语义分割 Semantic Segmentation 7
Scaling Law 缩放定律 2
Sigmoid 激活函数 4
Softmax 激活函数 4
境况 State 14
潜变量 Latent Variable 11
支持向量机 SVM \-
-----------------------------------------------
## T
--------------------------------------------
中文 英文 章节
------------- ----------------------- ------
Transformer Transformer架构 9
拓扑优化 Topology Optimization 21
Token 令牌/词元 9
目标检测 Two-Stage Detector 6
--------------------------------------------
## U
-------------------------------------------------------
中文 英文 章节
-------------- --------------------------------- ------
万能逼近定理 Universal Approximation Theorem 2
U-Net 分割网络架构 7
-------------------------------------------------------
## V
--------------------------------------------------
中文 英文 章节
----------------- ------------------------- ------
VAE Variational Autoencoder 11
向量数据库 Vector Database 10
视觉Transformer Vision Transformer 5
--------------------------------------------------
## W
----------------------------------
中文 英文 章节
---------- ---------------- ------
权重 Weight 3
权重共享 Weight Sharing 5
权重衰减 Weight Decay \-
----------------------------------
## Y
-----------------------------------
中文 英文 章节
------- -------------------- ------
YOLO You Only Look Once 6
-----------------------------------
**更新日期**：2026年4月
officefile/appendix/appendix/附录9-Tips.md
+5
View File
@@ -0,0 +1,5 @@
# 附录9：Tips
- 用AI学习AI，大大减少了学习的时间和难度：例如markdown等语法，只需要学习两部分内容：1）掌握经常性的手动输入需要的内容，例如#，- 等，2）了解剩余的语法的大致机制，例如图片插入可以使用html语法，公式排版使用的是Latex语法，具体实现时让AI撰写。
- 有任何不懂的问题，直接问AI，如Claude code等CLI Agent以及在线等的大模型
officefile/appendix/glossary.md
+211
View File
@@ -0,0 +1,211 @@
# 附录C：关键术语表
本附录按章节整理书中涉及的关键中英文术语。
---
## A
| 中文 | 英文 | 章节 |
|-----|------|------|
| 自编码器 | Autoencoder, AE | 11 |
| 注意力机制 | Attention | 8 |
| 人类反馈强化学习 | RLHF | 10 |
| 人工智能 | AI, Artificial Intelligence | 1 |
| AI for Science | AI4S | 1 |
| AI in Education | AIED | 1 |
## B
| 中文 | 英文 | 章节 |
|-----|------|------|
| 边界框 | Bounding Box | 6 |
| 生物多样性 | Biodiversity | 24 |
## C
| 中文 | 英文 | 章节 |
|-----|------|------|
| 卷积神经网络 | CNN | 5, 6, 7 |
| 卷积核 | Kernel/Filter | 5 |
| 因果推断 | Causal Inference | - |
| 连通性 | Connectivity | 25 |
| 交叉熵 | Cross Entropy | 4 |
## D
| 中文 | 英文 | 章节 |
|-----|------|------|
| 扩散模型 | Diffusion Model | 11 |
| 数字孪生 | Digital Twin | 14 |
| 深度学习 | Deep Learning | 2 |
| 设计生成式AI | Generative Design | 20 |
## E
| 中文 | 英文 | 章节 |
|-----|------|------|
| 生态系统服务 | Ecosystem Services | 24 |
| 具身智能 | Embodied AI | 14 |
| 编码器 | Encoder | 9 |
| 解码器 | Decoder | 9 |
## F
| 中文 | 英文 | 章节 |
|-----|------|------|
| 特征图 | Feature Map | 5 |
| 前馈网络 | FFN, Feed-Forward Network | 2, 9 |
| 俯瞰 | Foundation Model | - |
## G
| 中文 | 英文 | 章节 |
|-----|------|------|
| 生成对抗网络 | GAN | 11 |
| 生成式AI | AIGC | 1, 11, 16 |
| 梯度下降 | Gradient Descent | 4 |
| 图神经网络 | GNN | 2 |
## H
| 中文 | 英文 | 章节 |
|-----|------|------|
| HITL | Human-in-the-Loop | 15 |
| 隐藏层 | Hidden Layer | 3 |
| 超参数 | Hyperparameter | - |
## I
| 中文 | 英文 | 章节 |
|-----|------|------|
| 交并比 | IoU | 6 |
| 图像分类 | Image Classification | 6 |
| 实例分割 | Instance Segmentation | 7 |
## K
| 中文 | 英文 | 章节 |
|-----|------|------|
| 键 | Key | 8 |
| 核函数 | Kernel Function | - |
## L
| 中文 | 英文 | 章节 |
|-----|------|------|
| 大语言模型 | LLM | 10 |
| 损失函数 | Loss Function | 4 |
| 学习率 | Learning Rate | 4 |
| LoRA | Low-Rank Adaptation | 12 |
| 潜在空间 | Latent Space | 11 |
## M
| 中文 | 英文 | 章节 |
|-----|------|------|
| 多头注意力 | Multi-Head Attention | 8 |
| 多层感知机 | MLP | 3, 4 |
| 多模态 | Multimodal | 10 |
| MCP | Model Context Protocol | 15 |
| 平均精度 | mAP | 6 |
## N
| 中文 | 英文 | 章节 |
|-----|------|------|
| 归一化 | Normalization | 9 |
| 神经网络 | Neural Network | 2 |
| 非极大值抑制 | NMS | 6 |
## O
| 中文 | 英文 | 章节 |
|-----|------|------|
| 目标检测 | Object Detection | 6 |
| 优化器 | Optimizer | 4 |
| One-Stage检测器 | One-Stage Detector | 6 |
## P
| 中文 | 英文 | 章节 |
|-----|------|------|
| 位置编码 | Positional Encoding | 8 |
| 池化 | Pooling | 5 |
| 提示工程 | Prompt Engineering | 10 |
| 预训练 | Pre-training | 10 |
| 像素 | Pixel | 7 |
## Q
| 中文 | 英文 | 章节 |
|-----|------|------|
| 查询 | Query | 8 |
| Q学习 | Q-Learning | 14 |
## R
| 中文 | 英文 | 章节 |
|-----|------|------|
| RAG | Retrieval-Augmented Generation | 10 |
| ReAct | Reasoning + Acting | 13 |
| 强化学习 | RL, Reinforcement Learning | 14 |
| 循环神经网络 | RNN | 2 |
| 残差连接 | Residual Connection | 9 |
| 值 | Value | 8 |
| 感受野 | Receptive Field | 5 |
## S
| 中文 | 英文 | 章节 |
|-----|------|------|
| Self-Attention | 自注意力 | 8 |
| 语义分割 | Semantic Segmentation | 7 |
| Scaling Law | 缩放定律 | 2 |
| Sigmoid | 激活函数 | 4 |
| Softmax | 激活函数 | 4 |
| 境况 | State | 14 |
| 潜变量 | Latent Variable | 11 |
| 支持向量机 | SVM | - |
## T
| 中文 | 英文 | 章节 |
|-----|------|------|
| Transformer | Transformer架构 | 9 |
| 拓扑优化 | Topology Optimization | 21 |
| Token | 令牌/词元 | 9 |
| 目标检测 | Two-Stage Detector | 6 |
## U
| 中文 | 英文 | 章节 |
|-----|------|------|
| 万能逼近定理 | Universal Approximation Theorem | 2 |
| U-Net | 分割网络架构 | 7 |
## V
| 中文 | 英文 | 章节 |
|-----|------|------|
| VAE | Variational Autoencoder | 11 |
| 向量数据库 | Vector Database | 10 |
| 视觉Transformer | Vision Transformer | 5 |
## W
| 中文 | 英文 | 章节 |
|-----|------|------|
| 权重 | Weight | 3 |
| 权重共享 | Weight Sharing | 5 |
| 权重衰减 | Weight Decay | - |
## Y
| 中文 | 英文 | 章节 |
|-----|------|------|
| YOLO | You Only Look Once | 6 |
---
**更新日期**：2026年4月
officefile/appendix/references.md
+111
View File
@@ -0,0 +1,111 @@
# 参考文献
本部分整理教材中引用的论文、书籍和在线资源。
---
## 论文
### 基础理论
- Universal Approximation Theorem (1989)
- Scaling Laws for Neural Language Models (2020)
### 计算机视觉
- AlexNet (2012) - ImageNet Classification with Deep Convolutional Neural Networks
- ResNet (2015) - Deep Residual Learning for Image Recognition
- YOLO (2016) - You Only Look Once: Unified, Real-Time Object Detection
- U-Net (2015) - Convolutional Networks for Biomedical Image Segmentation
### Transformer与大模型
- Attention Is All You Need (2017)
- BERT: Pre-training of Deep Bidirectional Transformers (2018)
- GPT-3: Language Models are Few-Shot Learners (2020)
- Training Language Models to Follow Instructions with Human Feedback (2022)
### 生成式AI
- Denoising Diffusion Probabilistic Models (2020)
- High-Resolution Image Synthesis with Latent Diffusion Models (2022)
- ControlNet (2023)
### AI Agent
- LLM Powered Autonomous Agents (2023)
- ReAct: Synergizing Reasoning and Acting in Language Models (2022)
---
## 书籍
### 深度学习
- Deep Learning (Ian Goodfellow et al.)
- Neural Networks and Deep Learning (Michael Nielsen)
### 强化学习
- Reinforcement Learning: An Introduction (Sutton & Barto)
---
## 在线资源
### 课程
- CS231n: Convolutional Neural Networks for Visual Recognition
- Fast.ai Practical Deep Learning for Coders
### 工具文档
- PyTorch: https://pytorch.org/docs/
- Ultralytics YOLO: https://docs.ultralytics.com/
- LangChain: https://python.langchain.com/
### 博客
- Lil'Log (Lilian Weng): https://lilianweng.github.io/
- The Illustrated Transformer: https://jalammar.github.io/illustrated-transformer/
---
## 设计AI相关
### 学术期刊
- Landscape and Urban Planning
- Environment and Planning B: Urban Analytics and City Science
- Automation in Construction
### 会议
- CAAD Futures
- ACADIA
- eCAADe
---
## 数据集
### 计算机视觉
- ImageNet
- COCO (Common Objects in Context)
- MNIST
### 空间数据
- OpenStreetMap
- 路网数据、POI数据等
---
## 许可说明
部分内容引用自公开资源，遵循相应许可协议使用。
---
**最后更新**：2026年4月
officefile/appendix/tools.md
+251
View File
@@ -0,0 +1,251 @@
# 附录A：编程工具与资源
本附录整理AI学习和实践所需的编程工具、框架和资源。
---
## Python环境配置
### Anaconda/Miniconda
| 工具 | 大小 | 特点 | 下载地址 |
|-----|------|------|---------|
| Anaconda | ~500MB | 预装常用库 | [anaconda.com](https://www.anaconda.com/download) |
| Miniconda | ~50MB | 精简安装 | [docs.conda.io](https://docs.conda.io/en/latest/miniconda.html) |
### 安装步骤
```bash
# 1. 下载并安装Miniconda
# 2. 创建虚拟环境
conda create -n ai-env python=3.10
# 3. 激活环境
conda activate ai-env
# 4. 安装核心库
pip install torch torchvision numpy pandas scipy
```
---
## 深度学习框架
### PyTorch
```bash
pip install torch torchvision torchaudio
```
**特点**：
- 动态计算图
- 研究友好
- 广泛的社区支持
**资源**：
- [官方文档](https://pytorch.org/docs/)
- [中文教程](https://pytorch.zhangxiann.com/)
### TensorFlow
```bash
pip install tensorflow
```
**特点**：
- 生产部署优化
- Keras高级API
- 跨平台支持
---
## 计算机视觉工具
### OpenCV
```bash
pip install opencv-python
```
**功能**：图像处理、视频分析
### Ultralytics YOLO
```bash
pip install ultralytics
```
**功能**：目标检测、实例分割
**使用示例**：
```python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model('image.jpg')
```
---
## AIGC工具链
### Stable Diffusion
**WebUI**：[Automatic1111](https://github.com/AUTOMATIC1111/stable-diffusion-webui)
**ComfyUI**：[GitHub](https://github.com/comfyanonymous/ComfyUI)
**API调用**：
```python
from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
image = pipe("a photo of an astronaut riding a horse on mars").images[0]
```
### ControlNet
```python
from diffusers import StableDiffusionControlNetPipeline
controlnet = ControlNetModel.from_pretrained("lllyasviel/sd-controlnet-canny")
pipe = StableDiffusionControlNetPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", controlnet=controlnet)
```
### Midjourney
**平台**：Discord
**文档**：[docs.midjourney.com](https://docs.midjourney.com/)
---
## Agent开发框架
### LangChain
```bash
pip install langchain langchain-openai
```
**功能**：LLM应用开发框架
**核心组件**：
- Models：LLM接口
- Prompts：提示管理
- Chains：链式调用
- Agents：智能体
- Memory：记忆管理
### LangGraph
```bash
pip install langgraph
```
**功能**：状态机式Agent开发
### LlamaIndex
```bash
pip install llama-index
```
**功能**：数据索引与检索（RAG）
---
## 开发工具
### VSCode
**AI开发常用插件**：
- Python
- Pylance
- Jupyter
- Copilot
### Cursor
**特点**：AI原生IDE
**网址**：[cursor.com](https://cursor.com/)
### Jupyter Lab
```bash
pip install jupyterlab
jupyter lab
```
---
## 在线学习资源
### 课程
| 名称 | 平台 | 链接 |
|-----|------|------|
| CS231n | Stanford | [cs231n.stanford.edu](http://cs231n.stanford.edu/) |
| Fast.ai | fast.ai | [course.fast.ai](https://course.fast.ai/) |
| 吴恩达深度学习 | Coursera | [coursera.org/specializations/deep-learning](https://www.coursera.org/specializations/deep-learning) |
### 博客与文档
- [Lil'Log](https://lilianweng.github.io/) - AI深度文章
- [The Illustrated Transformer](https://jalammar.github.io/illustrated-transformer/)
- [Distill.pub](https://distill.pub/) - 可视化论文
### 数据集
| 数据集 | 内容 | 链接 |
|-------|------|------|
| ImageNet | 图像分类 | [image-net.org](https://www.image-net.org/) |
| COCO | 目标检测 | [cocodataset.org](https://cocodataset.org/) |
| OpenStreetMap | 地图数据 | [openstreetmap.org](https://www.openstreetmap.org/) |
---
## 模型资源
### Hugging Face
**网址**：[huggingface.co](https://huggingface.co/)
**功能**：
- 模型仓库
- 数据集
- Spaces在线演示
### 常用模型
| 任务 | 推荐模型 | Hugging Face ID |
|-----|---------|----------------|
| 文生图 | Stable Diffusion XL | stabilityai/stable-diffusion-xl-base-1.0 |
| 目标检测 | YOLOv8 | Ultralytics |
| 语义分割 | SAM | segment-anything |
| 大语言模型 | Llama 3 | meta-llama/Meta-Llama-3-8B |
---
## 硬件资源
### 云平台
| 平台 | 特点 | 适合场景 |
|-----|------|---------|
| Google Colab | 免费GPU | 学习实验 |
| Kaggle Notebooks | 免费GPU | 竞赛 |
| AutoDL | 按时计费 | 中期项目 |
| 阿里云PAI | 国内稳定 | 生产部署 |
### 本地GPU
推荐配置：
- GPU：RTX 3060 (12GB) 或更高
- 内存：16GB+
- 存储：至少100GB SSD
---
## 最后更新
2026年4月