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](http://neuralnetworksanddeeplearning.com/) - 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](http://neuralnetworksanddeeplearning.com/chap1.html)

[Yes you should understand backprop](https://medium.com/@karpathy/yes-you-should-understand-backprop-e2f06eab496b) \# 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](https://docs.anaconda.com/)

[NumPy快速入门](https://numpy.org/doc/stable/user/quickstart.html)

[Cursor使用指南](https://cursor.com/docs)