附录部分增加机器学习实战与网络内容
This commit is contained in:
+672
-24
@@ -1,6 +1,6 @@
|
||||
# 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，以及Python编程环境的配置与核心工具库。
|
||||
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
|
||||
|
||||
@@ -67,13 +67,80 @@ apt install xxx # Ubuntu/Debian
|
||||
| AutoDL | 按时计费 | 中期项目 |
|
||||
| 阿里云PAI | 国内稳定 | 生产部署 |
|
||||
|
||||
## 2 程序设计语言及其编译运行
|
||||
## 2 程序设计语言与软件开发
|
||||
|
||||
### 2.1 Python概述
|
||||
### 2.1 什么是程序设计语言
|
||||
|
||||
Python是AI领域的主流编程语言，语法简洁、生态丰富，适合快速原型开发和数据处理。
|
||||
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。
|
||||
|
||||
### 2.2 Python环境配置
|
||||
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
|
||||
|
||||
@@ -98,7 +165,297 @@ conda install numpy pandas scipy
|
||||
pip install torch torchvision
|
||||
```
|
||||
|
||||
### 2.3 核心科学计算库
|
||||
## 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
|
||||
|
||||
@@ -114,6 +471,11 @@ 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
|
||||
@@ -124,28 +486,39 @@ 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()
|
||||
df_normalized = (df - df.mean()) / df.std()
|
||||
df = df.dropna() # 删除缺失值
|
||||
|
||||
# 统计分析
|
||||
df.describe()
|
||||
print(df.describe()) # 描述性统计
|
||||
|
||||
# 筛选数据
|
||||
filtered = df[df['accuracy'] > 0.9]
|
||||
```
|
||||
|
||||
#### SciPy：科学计算
|
||||
#### Matplotlib：数据可视化
|
||||
|
||||
```python
|
||||
from scipy import optimize
|
||||
from scipy.spatial import distance
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# 优化问题
|
||||
result = optimize.minimize(loss_func, x0)
|
||||
# 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]
|
||||
|
||||
# 距离计算
|
||||
dist = distance.euclidean(point1, point2)
|
||||
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()
|
||||
```
|
||||
|
||||
### 2.4 深度学习框架
|
||||
### 3.9 深度学习框架
|
||||
|
||||
#### PyTorch
|
||||
|
||||
@@ -165,7 +538,9 @@ pip install tensorflow
|
||||
|
||||
**特点**： - 生产部署优化 - Keras高级API - 跨平台支持
|
||||
|
||||
### 2.5 AI工具库速查
|
||||
### 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 |
|
||||
|------|------|---------|------|
|
||||
@@ -176,15 +551,13 @@ pip install tensorflow
|
||||
| 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） |
|
||||
|
||||
### 2.6 模型资源
|
||||
#### 模型资源
|
||||
|
||||
#### Hugging Face
|
||||
**Hugging Face**：[huggingface.co](https://huggingface.co/)
|
||||
|
||||
**网址**：[huggingface.co](https://huggingface.co/)
|
||||
功能：模型仓库、数据集、Spaces在线演示
|
||||
|
||||
**功能**： - 模型仓库 - 数据集 - Spaces在线演示
|
||||
|
||||
#### 常用预训练模型
|
||||
**常用预训练模型**：
|
||||
|
||||
| 任务 | 推荐模型 | Hugging Face ID |
|
||||
|------|---------|----------------|
|
||||
@@ -192,3 +565,278 @@ pip install tensorflow
|
||||
| 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 |
|
||||
|
||||
@@ -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 |
|
||||
@@ -1,4 +1,4 @@
|
||||
# 附录4：在线学习资源
|
||||
# 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。
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# 附录5：其他资源
|
||||
# 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。
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# 附录6：参考文献
|
||||
# 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。
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# 附录7：关键术语表
|
||||
# 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。
|
||||
|
||||
Reference in New Issue
Block a user