# 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。

## 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 |

## 2 程序设计语言及其编译运行

### 2.1 Python概述

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。

### 2.2 Python环境配置

#### 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
```

### 2.3 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
```

#### Pandas：数据处理

```python
import pandas as pd

# 读取数据
df = pd.read_csv('data.csv')

# 数据清洗
df = df.dropna()
df_normalized = (df - df.mean()) / df.std()

# 统计分析
df.describe()
```

#### SciPy：科学计算

```python
from scipy import optimize
from scipy.spatial import distance

# 优化问题
result = optimize.minimize(loss_func, x0)

# 距离计算
dist = distance.euclidean(point1, point2)
```

### 2.4 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

### 2.5 AI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） |

### 2.6 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 |