2026_DesignAI/02-foundations/02-foundations.md

第二篇：数学与编程基础

本篇从函数式视角理解AI，介绍神经网络的基本原理和Python编程工具，为后续学习打下基础。

篇章导读

理解AI不需要高深的数学背景。核心理念是：神经网络就是由简单函数组合而成的复杂函数。

从Excel的线性回归到深度神经网络，本质上是同样的思想：用函数来描述和预测世界。

本篇将： - 从函数式视角理解AI - 介绍多层感知机的基本原理 - 讲解Python编程工具和AI辅助编程

---

学习目标

理解"Functions Describe the World"的核心理念

掌握从Excel到神经网络的演进逻辑

理解函数组合与层级抽象的思想

核心理念：函数描述世界

从物理定律说起

物理学用简洁的函数描述复杂现象：

---

现象 函数 发现者

---

自由落体 h = ½gt² 伽利略

万有引力 F = Gm₁m₂/r² 牛顿

电磁感应 ε = -dΦ/dt 法拉第

这些函数的共同特点：用数学关系描述客观规律

AI的函数观

AI延续了这一传统：用函数从数据中学习规律

数据`` → ``函数`` → ``预测``/``决策
x → f(x) → y

从Excel到神经网络

线性回归：y = ax + b

在Excel中，我们经常做线性拟合：

房价`` ≈ 0.015 × ``面积`` + 50``万
y = a × x + b

这就是一个最简单的"AI模型"：单变量线性函数

多元回归：y = a₁x₁ + a₂x₂ + ... + b

增加更多特征：

房价`` ≈ 0.01 × ``面积`` + 0.5 × ``卧室数`` + 0.3 × ``地段评分`` - 20``万

这就是单层神经元的数学形式！

函数组合：层级嵌套

现实世界的关系往往是非线性的，需要函数组合：

h₁ = f₁(x) # ``第一层：提取特征

h₂ = f₂(h₁) # ``第二层：组合特征

y = f₃(h₂) # ``第三层：输出结果

这就是多层神经网络的本质！

函数组合的威力

为什么需要多层？

单层函数只能学习简单的线性关系

多层函数可以学习任意复杂的非线性关系

直观例子：识别圆形

输入：像素点灰度值
↓
第一层：检测边缘（梯度变化）
↓
第二层：组合边缘成弧线
↓
第三层：判断是否闭合`` → ``圆形

每一层都是一个函数，层层组合形成复杂能力。

数据驱动 vs 规则驱动

规则驱动

# ``传统编程：人工编写规则
def`` ``is_circle``(image):
edges ``=`` ``detect_edges``(image)
``if`` ``edges.is_closed``() ``and`` ``edges.is_round``():
``return`` ``True
``return`` ``False

问题：规则难以穷举，无法处理复杂情况

数据驱动

# AI``：从数据中学习函数
f ``=`` ``neural_network``()
train(f, ``thousands_of_examples``)
result ``=`` f(``new_image``) ``# ``自动判断

优势：自动发现规律，适应复杂情况

神经网络的函数本质

数学表示

一个L层神经网络：

y = ``f_L``(f_{L-``1}(``...f_₂(f₁(x))))

其中每一层：

h = ``σ(``Wx`` + b)

W：权重矩阵（可学习参数）

b：偏置向量（可学习参数）

σ：激活函数（引入非线性）

视觉理解

输入层`` ``隐藏层`` ``输出层
x ``h₁,h₂,h``₃ y
● ──────────→ ○ ──────────→ ●
│ ○ │
● ──────────→ ○ ──────────→ ●
│ ○ │
● ──────────→ ○ ──────────→ ●
``权重``W₁ ``权重``W₂

箭头上的权重就是函数的参数，通过学习自动确定。

思考与练习

1.列举3个日常生活中"用函数描述世界"的例子

2.为什么单层函数无法学习异或（XOR）问题？

3.思考：设计中有哪些问题可以用"数据驱动函数"的思路解决？

关键术语

---

中文 英文 说明

---

线性回归 Linear Regression y = ax + b 形式的函数拟合

多元回归 Multiple Regression 多输入变量的线性模型

权重 Weight 神经网络中的可学习参数

偏置 Bias 调整输出基准的参数

非线性 Non-linearity 无法用直线表示的关系

延伸阅读

Neural Networks and Deep Learning - 在线书籍

---

学习目标

理解MLP的基本结构

掌握前向传播的计算过程

了解激活函数的作用和类型

理解反向传播的基本思想

MLP结构

什么是MLP

MLP (Multi-Layer Perceptron)：多层感知机，是最基础的神经网络结构。

网络架构

输入层`` ``隐藏层`` ``输出层
┌─────────┐ ┌─────────────┐ ┌─────────┐
│ x₁ │ │ h₁ │ │ y₁ │
│ x₂ │───→│ h₂ │───→│ y₂ │
│ x₃ │ │ h₃ │ │ y₃ │
│ ... │ │ ... │ │ ... │
│ xₙ │ │ hₘ │ │ yₖ │
└─────────┘ └─────────────┘ └─────────┘
│ │ │
└───────────────┴────────────────┘
``全连接（每个神经元相连）

层次说明

---

层类型 作用 神经元数量

---

输入层 接收原始数据 取决于特征数

隐藏层 特征变换与组合 自由设计

输出层 产生最终结果 取决于任务

前向传播

单个神经元

# ``线性部分
z ``=`` ``w₁x``₁ ``+`` ``w₂x``₂ ``+`` ... ``+`` ``wₙx``ₙ ``+`` b

# ``激活函数
h ``=`` σ(z)

完整网络

对于L层网络：

# ``第``1``层

h₁ ``=`` σ``₁(``W₁x`` ``+`` b₁)

# ``第``2``层

h₂ ``=`` σ``₂(``W₂h``₁ ``+`` b₂)

# ...

# ``第``L``层

y = σₗ(Wₗh_{l-1} + bₗ)

数据流动

输入向量`` x₀
│
├─→ W₁, b₁ ──→ z₁ = ``W₁x``₀ + b₁
│ │
│ └─→ σ₁(z₁) = h₁
│ │
└──────────────────────────────├─→ W₂, b₂ ──→ z₂ = ``W₂h``₁ + b₂
│ │
└─→ σ₂(z₂) = h₂
│
└─→ ... → y

激活函数

为什么需要激活函数？

没有激活函数，多层网络就等价于单层线性变换：

y = W₂(``W₁x``) = (W₂W``₁)x`` = ``W'x

激活函数引入非线性，使网络能够学习复杂模式。

常用激活函数

---

激活函数 公式 特点 应用场景

---

Sigmoid σ(z) = 1/(1+e⁻ᶻ) 输出(0,1) 二分类输出层

ReLU ReLU(z) = max(0,z) 简单高效 隐藏层首选

Softmax softmax(zᵢ) = eᶻⁱ/Σeᶻʲ 输出和为1 多分类输出层

Tanh tanh(z) = (eᶻ-e⁻ᶻ)/(eᶻ+e⁻ᶻ) 输出(-1,1) 循环网络

视觉对比

ReLU``: Sigmoid: Tanh:
↑ ___ ___
│ / ╲
│ / ╲
│____ / ╲___
│ ______ / │
└──────── / └──
-``∞ 0`` +∞ -∞ 0 +∞ -∞ 0 +∞

损失函数与优化

损失函数

损失函数衡量模型预测与真实值的差距：

---

任务 损失函数 公式

---

回归 均方误差 MSE = Σ(ŷ-y)²/n

二分类 交叉熵 CE = -y·log(ŷ)

多分类 交叉熵 CE = -Σyᵢ·log(ŷᵢ)

优化目标

最小化损失函数：
min L(f(x; θ), y)

其中`` θ = {W₁, b₁, W₂, b₂, ...} ``是所有可学习参数

梯度下降

重复直到收敛：
θ = θ - α·∇L(θ)

其中：
θ``：参数
α``：学习率
∇L(θ)``：损失函数的梯度

反向传播

核心思想

从输出层向输入层反向计算梯度：

输出层误差`` → ``隐藏层误差`` → ... → ``输入层误差

链式法则

∂L/∂W₁ = (∂L/∂y) · (∂y/∂h₂) · (∂h₂/∂z₂) ·
`` (``∂z₂/∂h₁) · (∂h₁/∂z₁) · (∂z₁/∂W₁)

直观理解

1.前向传播：计算每个神经元的输出

2.计算误差：比较输出与真实值

3.反向传播：将误差反向传递

4.更新权重：根据误差调整参数

MLP vs 传统模型

---

特性 MLP 传统机器学习

---

特征工程 自动学习 人工设计

非线性能力 强 中/弱

数据需求 大量 中等

可解释性 低 高

训练时间 长 短

思考与练习

1.为什么隐藏层越多，网络表达能力越强？

2.ReLU为什么比Sigmoid更适合隐藏层？

3.如果所有权重初始化为0，会发生什么？

关键术语

---

中文 英文 说明

---

前向传播 Forward Pass 数据从输入到输出的计算过程

反向传播 Backpropagation 计算梯度的算法

损失函数 Loss Function 衡量预测误差的函数

梯度下降 Gradient Descent 优化算法

学习率 Learning Rate 参数更新的步长

延伸阅读

Neural Networks and Deep Learning - Chapter 1

Yes you should understand backprop # 01.3 编程工具与Vibe Coding

---

学习目标

掌握Python AI开发环境配置

了解核心科学计算库

理解Vibe Coding的AI辅助编程新模式

Python环境配置

Anaconda vs Miniconda

---

工具 大小 特点 适用场景

---

Anaconda ~500MB 预装常用库 初学者推荐

Miniconda ~50MB 仅含conda 精简安装

安装步骤

1.下载安装

o访问 https://www.anaconda.com/download

o选择Python 3.x版本

o按提示安装

2.创建虚拟环境

conda`` create ``-n`` ai-env python=3.10
conda`` activate ai-env

3.安装核心库

conda`` install ``numpy`` pandas ``scipy
pip`` install torch ``torchvision

核心科学计算库

NumPy：数值计算基础

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

import`` pandas ``as`` pd

# ``读取数据
df`` ``=`` ``pd.read_csv``(``'data.csv'``)

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

# ``统计分析
df.describe``()

SciPy：科学计算

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)

开发工具选择

VSCode

特点： - 微软开源，免费 - 丰富的插件生态 - 轻量级，启动快

AI开发常用插件： - Python - Jupyter - Pylance - Copilot

Cursor

特点： - AI原生IDE - 代码补全与生成 - 自然语言编程

使用场景： - 快速原型开发 - 代码重构 - 学习新API

Jupyter Notebook

特点： - 交互式编程 - 可视化友好 - 文档即代码

使用场景： - 数据探索 - 算法实验 - 教学演示

Vibe Coding：AI辅助编程

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

工作流程

1. 描述意图（自然语言）

"``帮我创建一个简单的神经网络``"

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

"``把隐藏层改成``128``个神经元``"

→ AI``自动修改代码

5. ``理解学习

   → 阅读AI生成的代码，学习最佳实践

实践技巧

---

技巧 说明

---

明确需求 详细描述输入输出

分步实现 复杂功能拆解为小任务

验证结果 检查生成的代码

学习思考 理解AI为什么这样写

工具推荐

---

工具 特点 适用场景

---

GitHub Copilot 代码补全 日常开发

Cursor 对话式编程 快速原型

ChatGPT/Claude 代码生成与解释 学习咨询

Replit Agent 端到端开发 小型项目

开发工作流

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

典型工作流

# 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. ``开发迭代
# - ``在``notebook``中实验
# - ``整理到``src``/``目录
# - ``运行测试

# 4. ``保存环境
conda`` env export ``>`` ``environment.yml

思考与练习

1.对比Anaconda和Miniconda，什么时候该用哪个？

2.尝试用Cursor/Copilot生成一个简单的神经网络代码

3.Vibe Coding如何改变传统的编程学习方式？

关键术语

---

中文 英文 说明

---

虚拟环境 Virtual Environment 隔离的Python运行环境

依赖管理 Dependency Management 管理项目所需的库

代码补全 Code Completion 自动补全正在输入的代码

原型开发 Prototyping 快速构建可运行版本

迭代优化 Iterative Refinement 逐步改进代码

延伸阅读

Anaconda官方文档

NumPy快速入门

Cursor使用指南