简介这份微软 AI-For-Beginners 中文版课程包面向零基础到入门阶段的学习者围绕为期12周、24课的教学大纲组织内容可用于系统了解符号人工智能、知识表示与推理、神经网络与深度学习以及计算机视觉、自然语言处理、遗传算法和多智能体系统等主题。课程强调动手实践配有测验、实验与练习代码并以 TensorFlow、PyTorch 示例帮助理解模型原理同时涉及道德 AI 原则。压缩包共375个文件、约56.7MB主要由 md 讲义、ipynb 交互式笔记本、py 脚本、json 配置及 png/jpg/gif 图表素材构成另有少量 html、vue、yml 等站点与运行配置文件便于按课程模块查阅和复现实验。已有140人学习适合希望用一套结构完整的中文资料建立 AI 知识框架、边读讲义边跑代码的初学者。1. AI-For-Beginners 中文版先看清这张课程地图AI-For-Beginners 这套课程资源最容易被误判的地方就在名字里那个 “Beginners”——很多人以为它是一份概念速览打开才发现它按周排课、每节都配可运行的练习代码和前后自测从感知机一路铺到 Transformer 和强化学习。它更像一套「课程骨架 可动手作业」而不是看完就忘的科普合集。它适合两类人一类是自学入门、需要别人替自己把学习节奏排好的人另一类是知识点学得零散、正在复习或准备面试需要一张地图定位自己漏在哪的人。梳理下来会发现这套课真正的价值不是讲得多深而是覆盖面足够完整把监督学习、计算机视觉、自然语言处理、强化学习、AI 伦理这几条线摆进了同一个坐标系。作为一份人工智能课程资源它更像大纲而不是终点。2. 神经网络与框架把前向、反向和训练循环拆开看这一章是整个课程的物理底座。后面不管讲图像还是文本模型的基本结构都是同一套东西输入张量、若干层、一个损失函数、一个优化器循环往复。学得糊的人通常糊在这里——能跑通别人的代码但说不清一次参数更新到底发生了什么。2.1 感知机到多层感知机三层结构要背成条件反射感知机的全部逻辑可以压成一句话对输入做加权求和加偏置过一个非线性函数得到输出。写成式子就是 z w·x ba f(z)。它的致命限制是只能处理线性可分的问题经典的 XOR 反例就足以让它失效四个点里没有任何一条直线能把两类分开。这不是实现细节没写好而是模型容量不够。多层感知机的补丁思路是把多个感知机叠起来中间加隐藏层并且在层间保留非线性激活。隐藏层的职责是学出一组新的特征表示把原始空间里不可分的问题映射到一个可分的空间输出层的职责才是做最终判别。反向传播则是用链式法则把输出端的误差一层层往前传算出每个参数对误差的偏导再按学习率往下走一步。结构职责常见误区输入层接收原始特征或归一化后的张量忘记归一化导致训练发散隐藏层学习中间表示层数与宽度决定容量层加得越多越好忽略过拟合激活函数引入非线性决定梯度形态全用阶跃函数梯度处处为零输出层对接任务形式回归/分类多分类忘记 softmax 配合交叉熵import numpy as np class Perceptron: def __init__(self, n_features, lr0.1): self.w np.zeros(n_features) # 权重维度等于单个样本的特征数 self.b 0.0 # 偏置决定判别面平移 self.lr lr # 学习率控制每次错分修正的步长 def predict(self, x): # 阶跃函数z 0 判为 1否则为 0 return 1 if np.dot(self.w, x) self.b 0 else 0 def fit(self, X, y, epochs20): for _ in range(epochs): for xi, yi in zip(X, y): err yi - self.predict(xi) # 误差只有 -1、0、1 三种取值 self.w self.lr * err * xi # 只在错分时更新分对了不动 self.b self.lr * err return self这段代码的关键在 err 的取值设计它天然实现了「分对不更新、分错才修正」的逻辑。lr 太大会在两类之间来回震荡太小则几轮下来权重几乎没有变化。用它在 XOR 的四个样本上训练误差不会收敛到零这个失败结果是值得亲手跑一遍的——它比任何文字解释都更能说明为什么需要隐藏层。2.2 同一件事的两种写法框架对照记忆表课程里的练习代码通常会在两个主流框架之间切换初学时最痛苦的是「概念都懂但两个库的函数名对不上」。有效率的做法不是分别背两套 API而是先把训练循环拆成固定五步建模型、定义损失、选优化器、前向算损失、反向更新权重然后做一张对照表把每一步在两个框架里的写法填进去。环节抽象概念一种常见写法另一种常见写法建模型层堆叠成网络继承 Module 类在构造函数里声明层用 Sequential 顺序堆叠层前向张量过网络在 forward 方法里写调用顺序调用 model(x) 直接得到输出损失标量化误差传入 logits 与标签传入 labels 与预测概率反向自动求导loss.backward() 后 optimizer.step()fit() 内部完成反向与更新数据批与打乱自定义 Dataset DataLoader直接传数组并指定 batch_size形状约定是另一个高频翻车点。卷积网络的张量在不同框架里可能是 (N, C, H, W)也可能是 (N, H, W, C)N 是批大小、C 是通道数、H 和 W 是高宽。把数据喂进模型前先打印一次 shape 并对照文档比在报错里猜十分钟要快得多。2.3 损失、优化器与过拟合训练曲线怎么读损失函数的选择只由任务形式决定不由模型结构决定。回归用均方误差二分类用二元交叉熵多分类用交叉熵多标签用逐标签的二元交叉熵。用错损失函数往往不会报错只是模型永远学不好这是最隐蔽的一类问题。优化器可以先只记两个随机梯度下降是基准更新方向就是负梯度方向乘学习率自适应方法在梯度的一阶矩和二阶矩上做滑动平均对学习率不敏感一些适合快速跑通。入门阶段不必纠结选择先用默认参数跑出一条能下降的曲线再考虑调。训练曲线的读法比调参技巧更重要记住三种形态训练损失降、验证损失也降正常学习继续。训练损失降、验证损失先降后升过拟合的典型信号上正则化、加 dropout、早停。两条曲线都不降先怀疑学习率过大、数据未归一化、标签与输入错位这三件事。提示过拟合的判断必须以验证集为准训练集上的指标永远会更好看它证明不了泛化能力。3. 视觉与文本CNN、词向量到 Transformer 的模块化串联课程把视觉和文本分成两条线讲但两条线的结构其实同构都是「先把原始输入变成好的表示再在表示上做判别」。看穿这一点复习时就不需要记两套逻辑。3.1 卷积与池化把图像任务拆成特征提取加分类头卷积层的三个核心特性值得单独记局部连接每个输出只看输入的一小块、权值共享同一个卷积核在整张图上滑动、平移等变目标移动位置特征图跟着移动。这三点合起来大幅削减了参数量——全连接层处理一张图要连接每个像素卷积层只用一组小核。输出尺寸的公式必须背下来(H − K 2P) / S 1H 是输入边长、K 是卷积核尺寸、P 是填充、S 是步长。除不尽时向下取整这也是很多人手算层数对不上的原因。池化层不参与学习只做下采样作用是降低分辨率、扩大感受野、提供一定的平移鲁棒性。import numpy as np def conv2d_naive(image, kernel, stride1, padding0): # image 为单通道二维数组kernel 为 K×K 的卷积核 if padding 0: image np.pad(image, padding, modeconstant) kh, kw kernel.shape out_h (image.shape[0] - kh) // stride 1 out_w (image.shape[1] - kw) // stride 1 out np.zeros((out_h, out_w)) for i in range(out_h): for j in range(out_w): patch image[i*stride:i*stridekh, j*stride:j*stridekw] out[i, j] np.sum(patch * kernel) # 对应位置相乘再整体求和 return out edge np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]]) # 四邻域拉普拉斯核突出边缘这段实现在输入尺寸、卷积核尺寸、步长、填充四个参数上完整复现了公式。手工算一遍 5×5 输入经过 3×3 核、步长 1、无填充的结果是 3×3比背公式更有记忆点。课程配套的图像练习通常先用 OpenCV 完成读图、缩放、颜色空间转换、通道拆分这些预处理再交给模型把「预处理」和「建模」明确分成两段这个分层习惯值得保留。3.2 文本表示词袋、TF-IDF 到上下文嵌入的递进文本进模型前必须先变成数。这条演进线有清晰的动机链词袋只统计词出现没出现丢失顺序和频次TF-IDF 引入频次和区分度常见词降权、稀有词升权词向量把词映射到稠密空间语义相近的词距离近上下文嵌入再进一步同一个词在不同句子里得到不同向量。TF-IDF 的计算就是词频乘以逆文档频率其中逆文档频率用对数平滑形式避免除零并压住高频词的权重。它的优势是可解释、无需训练缺点是稀疏、词序丢失作为基线足够用作主模型就偏弱了。from sklearn.feature_extraction.text import TfidfVectorizer docs [ 图像分类需要卷积网络, 文本分类常用词袋和词频, 词频统计会忽略词的区分度, ] # 中文没有空格分隔先用字级别的 1-2 元组切分 vectorizer TfidfVectorizer(analyzerchar, ngram_range(1, 2)) X vectorizer.fit_transform(docs) print(X.shape) # 行数是文档数列数是特征维度 print(vectorizer.get_feature_names_out()[:8])参数里 analyzer 决定切分单位ngram_range 决定是否保留相邻字的组合。中文场景下按字切是省事的做法讲究一些会先接分词工具。X 是稀疏矩阵转成稠密数组前先看维度特征维度一大就很容易把内存吃满。3.3 RNN 到 Transformer注意力为什么被需要循环网络把序列按时间步展开每一步的输出依赖上一步的隐藏状态。它的两个问题在入门阶段就要认清一是长距离依赖会衰减序列一长早期信息传到最后几乎消失二是按时间步串行计算无法在一条序列内部并行。长短期记忆网络用输入门、遗忘门、输出门三个门控来控制信息保留与丢弃缓解了梯度消失但没有解决串行计算。注意力机制换了思路不再依赖逐步传递而是让每个位置直接和序列中所有位置计算相关性权重一次性聚合全局信息。多头注意力则是在多个子空间里各算一遍最后拼接。这条动机链的记法可以浓缩成一句循环网络的瓶颈是「必须逐个传」注意力解决的是「可以同时看」。至于位置编码为什么必要答案是注意力本身对顺序不敏感打乱词序结果可能不变所以必须额外把位置信息注入。4. 三个易被跳过的分支遗传算法、强化学习与多智能体这三块在课程里所占篇幅不大被跳过的比例却很高。跳过它们的代价是知识地图出现空洞一旦面试或项目里碰到「用奖励信号训练智能体」这类问题会觉得无从下嘴。4.1 遗传算法四个部件构成一个完整循环遗传算法属于启发式搜索不依赖梯度适合解空间离散、目标函数不可导的问题。它的四个部件必须能默写出来编码把解表示成串或向量、适应度函数给解打分、选择按分数高低决定谁繁殖、交叉与变异产生新解并保持多样性。参数只有四个值得记种群规模决定搜索广度交叉率决定新解产生频率变异率决定跳出局部最优的能力代数决定什么时候停。变异率设得太低会早熟收敛设得太高则退化成随机搜索。import random def fitness(x): # 目标5 位二进制里 1 的个数越多越好最优解为 31 return bin(x).count(1) def mutate(x, rate0.05): for i in range(5): if random.random() rate: x ^ (1 i) # 按位异或实现该位取反 return x适应度函数的设计是这类算法里最见功力的一环它必须能区分个体的优劣否则选择压力无从谈起。变异用按位异或实现rate 控制每一位被翻转的概率这个写法比生成全新随机数更温和能保留父代的多数基因。4.2 强化学习状态、动作、奖励与一次增量更新强化学习的建模框架是马尔可夫决策过程五个要素状态集合、动作集合、奖励函数、状态转移概率、折扣因子。与监督学习最大的差别在于这里没有标准答案只有延迟到来的奖励模型必须自己通过试错去估计「在某个状态下做某个动作长期回报有多大」。Q 学习的更新式值得逐项拆开新估计等于旧估计加上学习率乘以「即时奖励加折扣后的下一状态最大 Q 值减去当前 Q 值」。括号里的部分叫时序差分误差学习率控制这次修正的幅度折扣因子控制对未来奖励的重视程度。import random import numpy as np Q np.zeros((n_states, n_actions)) for episode in range(episodes): s env.reset() done False while not done: if random.random() epsilon: # ε-greedy以一定概率随机探索 a random.randrange(n_actions) else: a int(np.argmax(Q[s])) # 否则选当前估值最高的动作 s_next, r, done, _ env.step(a) target r gamma * np.max(Q[s_next]) * (not done) # 终止状态无后继 Q[s, a] alpha * (target - Q[s, a]) # 朝目标挪一小步 s s_nextalpha 是学习率gamma 是折扣因子epsilon 是探索概率通常会随回合数衰减前期多探索、后期多利用。终止状态要乘 (not done) 把后继价值清零漏掉这一项会让智能体在终点附近反复打转是典型的手写实现翻车点。4.3 多智能体与仿真为什么入门课要放这一块单个智能体的环境是静态的多个智能体放在一起环境就变成了「别人的策略也在变」问题立刻升级会出现竞争、合作、博弈也会出现策略震荡和难以复现的结果。课程把这块放进来目的不是让你精通多智能体算法而是让你知道「智能」在交互中会涌现出单体能解释不了的行为。复习时的合理投入是理解概念和跑通示例不必陷进调参。仿真环境的随机种子、回合长度、奖励塑形这三处最容易吃掉时间先把种子固定、把回合截断再去观察行为变化。5. 易漏点排查五处最容易翻车的地方5.1 跳过课前自测直接进正文易漏点在于课前的自测题被当成形式。为什么漏多数人的习惯是先读正文再做题把自测当检验而它的设计意图是定位盲区。怎么补先盲做一遍错题标红再带着问题读正文读完立刻回看错题记忆留存率差别非常明显。5.2 只跑代码不看数据形状与预处理易漏点在于数据从哪来、怎么归一化、形状怎么对齐课程往往一句带过。为什么漏示例数据是备好的直接跑就出结果预处理环节被隐藏了。怎么补每个练习开始前手工打印一次数据形状、取值范围、标签分布把归一化那几行代码单独抄一遍报错率会断崖式下降。5.3 把训练集指标当成模型效果易漏点在于只报训练准确率。为什么漏训练损失几乎总在下降给人进展顺利的错觉。怎么补切出验证集先跑一个最笨的基线比如多数类预测模型必须明显超过基线才算有效同时记录训练与验证两条曲线形成习惯。5.4 跳过 AI 伦理与负责任 AI 模块易漏点在于这部分看着不像技术容易被整段略过。为什么漏它没有代码、没有指标读起来像务虚。怎么补把它当成工程约束来记重点是偏见来源、数据代表性、可解释性与隐私边界这几条落到具体问题上就是「这个数据集对哪类样本不友好」「模型出错时能不能解释」。5.5 只收藏不落笔记两周后归零易漏点在于把「下载了」当成「学会了」。为什么漏资源越完整越容易产生已掌握的错觉。怎么补每学完一节用自己的话写三行——这节解决什么问题、核心公式或结构是什么、最容易错在哪三行写不出来说明这节其实没进去。注意以上五条里第三条和第五条造成的损失最大前者让你误判模型后者让你误判自己。6. 复习清单三遍过课与模块自测表6.1 三遍过课法骨架、代码、自测各走一遍第一遍只求骨架不碰代码。把课程目录当成一张地图每节用一句话写清「它解决什么问题」遇到公式先跳过推导只看结论。这一遍的目标是能在白纸上画出模块之间的先后关系时间控制在总投入的两成左右。第二遍只碰代码不求全懂。每节的练习代码亲手跑通一次跑之前先改一处参数看结果怎么变——学习率调大十倍、批大小减半、卷积核换一个观察报错或指标变化。这一遍的核心产出是「失败经验」报错信息比成功运行更有信息量。第三遍对着自测题回扫。错题回到对应小节重读只读那一段不做全书重看。三遍走完多数人会发现真正卡住自己的点不超过五个把这五个写成一张便签贴在显示器边上比再刷一遍课程有效。6.2 模块自测表对着清单打勾别凭感觉模块能默写出来的内容自评神经网络前向公式、激活函数作用、反向传播的链式法则是/否框架训练循环五步、张量形状约定、损失与任务对应是/否视觉卷积三个特性、输出尺寸公式、池化作用是/否文本词袋到 TF-IDF 的动机、词向量与上下文嵌入的区别是/否序列RNN 的两个瓶颈、注意力的计算对象、位置编码的必要性是/否搜索与强化遗传算法四部件、Q 学习更新式各符号含义是/否伦理偏见来源、数据代表性、可解释性三条各举一例是/否表格里任何一行打不了勾就回到对应章节的第二遍流程只跑那一节的代码。打勾的标准是「能不看资料讲给别人听」不是「看着眼熟」。这一步我吃过亏曾经把整门课刷完自觉覆盖得挺全结果被问「卷积输出尺寸怎么算」时卡住才发现公式只是看过、从没手算过。从那以后我每次复习这类课程资源都强制走一遍「白纸复述 手算一遍 跑一次代码」这三件事任何一步跳过那个知识点基本就等于没学。课程再完整也只是别人的骨架能不能长成自己的知识树取决于你有没有亲手把每个节点连一遍。希望帮到你。本文还有配套的精品资源点击获取
简介这份微软 AI-For-Beginners 中文版课程包面向零基础到入门阶段的学习者围绕为期12周、24课的教学大纲组织内容可用于系统了解符号人工智能、知识表示与推理、神经网络与深度学习以及计算机视觉、自然语言处理、遗传算法和多智能体系统等主题。课程强调动手实践配有测验、实验与练习代码并以 TensorFlow、PyTorch 示例帮助理解模型原理同时涉及道德 AI 原则。压缩包共375个文件、约56.7MB主要由 md 讲义、ipynb 交互式笔记本、py 脚本、json 配置及 png/jpg/gif 图表素材构成另有少量 html、vue、yml 等站点与运行配置文件便于按课程模块查阅和复现实验。已有140人学习适合希望用一套结构完整的中文资料建立 AI 知识框架、边读讲义边跑代码的初学者。1. AI-For-Beginners 中文版先看清这张课程地图AI-For-Beginners 这套课程资源最容易被误判的地方就在名字里那个 “Beginners”——很多人以为它是一份概念速览打开才发现它按周排课、每节都配可运行的练习代码和前后自测从感知机一路铺到 Transformer 和强化学习。它更像一套「课程骨架 可动手作业」而不是看完就忘的科普合集。它适合两类人一类是自学入门、需要别人替自己把学习节奏排好的人另一类是知识点学得零散、正在复习或准备面试需要一张地图定位自己漏在哪的人。梳理下来会发现这套课真正的价值不是讲得多深而是覆盖面足够完整把监督学习、计算机视觉、自然语言处理、强化学习、AI 伦理这几条线摆进了同一个坐标系。作为一份人工智能课程资源它更像大纲而不是终点。2. 神经网络与框架把前向、反向和训练循环拆开看这一章是整个课程的物理底座。后面不管讲图像还是文本模型的基本结构都是同一套东西输入张量、若干层、一个损失函数、一个优化器循环往复。学得糊的人通常糊在这里——能跑通别人的代码但说不清一次参数更新到底发生了什么。2.1 感知机到多层感知机三层结构要背成条件反射感知机的全部逻辑可以压成一句话对输入做加权求和加偏置过一个非线性函数得到输出。写成式子就是 z w·x ba f(z)。它的致命限制是只能处理线性可分的问题经典的 XOR 反例就足以让它失效四个点里没有任何一条直线能把两类分开。这不是实现细节没写好而是模型容量不够。多层感知机的补丁思路是把多个感知机叠起来中间加隐藏层并且在层间保留非线性激活。隐藏层的职责是学出一组新的特征表示把原始空间里不可分的问题映射到一个可分的空间输出层的职责才是做最终判别。反向传播则是用链式法则把输出端的误差一层层往前传算出每个参数对误差的偏导再按学习率往下走一步。结构职责常见误区输入层接收原始特征或归一化后的张量忘记归一化导致训练发散隐藏层学习中间表示层数与宽度决定容量层加得越多越好忽略过拟合激活函数引入非线性决定梯度形态全用阶跃函数梯度处处为零输出层对接任务形式回归/分类多分类忘记 softmax 配合交叉熵import numpy as np class Perceptron: def __init__(self, n_features, lr0.1): self.w np.zeros(n_features) # 权重维度等于单个样本的特征数 self.b 0.0 # 偏置决定判别面平移 self.lr lr # 学习率控制每次错分修正的步长 def predict(self, x): # 阶跃函数z 0 判为 1否则为 0 return 1 if np.dot(self.w, x) self.b 0 else 0 def fit(self, X, y, epochs20): for _ in range(epochs): for xi, yi in zip(X, y): err yi - self.predict(xi) # 误差只有 -1、0、1 三种取值 self.w self.lr * err * xi # 只在错分时更新分对了不动 self.b self.lr * err return self这段代码的关键在 err 的取值设计它天然实现了「分对不更新、分错才修正」的逻辑。lr 太大会在两类之间来回震荡太小则几轮下来权重几乎没有变化。用它在 XOR 的四个样本上训练误差不会收敛到零这个失败结果是值得亲手跑一遍的——它比任何文字解释都更能说明为什么需要隐藏层。2.2 同一件事的两种写法框架对照记忆表课程里的练习代码通常会在两个主流框架之间切换初学时最痛苦的是「概念都懂但两个库的函数名对不上」。有效率的做法不是分别背两套 API而是先把训练循环拆成固定五步建模型、定义损失、选优化器、前向算损失、反向更新权重然后做一张对照表把每一步在两个框架里的写法填进去。环节抽象概念一种常见写法另一种常见写法建模型层堆叠成网络继承 Module 类在构造函数里声明层用 Sequential 顺序堆叠层前向张量过网络在 forward 方法里写调用顺序调用 model(x) 直接得到输出损失标量化误差传入 logits 与标签传入 labels 与预测概率反向自动求导loss.backward() 后 optimizer.step()fit() 内部完成反向与更新数据批与打乱自定义 Dataset DataLoader直接传数组并指定 batch_size形状约定是另一个高频翻车点。卷积网络的张量在不同框架里可能是 (N, C, H, W)也可能是 (N, H, W, C)N 是批大小、C 是通道数、H 和 W 是高宽。把数据喂进模型前先打印一次 shape 并对照文档比在报错里猜十分钟要快得多。2.3 损失、优化器与过拟合训练曲线怎么读损失函数的选择只由任务形式决定不由模型结构决定。回归用均方误差二分类用二元交叉熵多分类用交叉熵多标签用逐标签的二元交叉熵。用错损失函数往往不会报错只是模型永远学不好这是最隐蔽的一类问题。优化器可以先只记两个随机梯度下降是基准更新方向就是负梯度方向乘学习率自适应方法在梯度的一阶矩和二阶矩上做滑动平均对学习率不敏感一些适合快速跑通。入门阶段不必纠结选择先用默认参数跑出一条能下降的曲线再考虑调。训练曲线的读法比调参技巧更重要记住三种形态训练损失降、验证损失也降正常学习继续。训练损失降、验证损失先降后升过拟合的典型信号上正则化、加 dropout、早停。两条曲线都不降先怀疑学习率过大、数据未归一化、标签与输入错位这三件事。提示过拟合的判断必须以验证集为准训练集上的指标永远会更好看它证明不了泛化能力。3. 视觉与文本CNN、词向量到 Transformer 的模块化串联课程把视觉和文本分成两条线讲但两条线的结构其实同构都是「先把原始输入变成好的表示再在表示上做判别」。看穿这一点复习时就不需要记两套逻辑。3.1 卷积与池化把图像任务拆成特征提取加分类头卷积层的三个核心特性值得单独记局部连接每个输出只看输入的一小块、权值共享同一个卷积核在整张图上滑动、平移等变目标移动位置特征图跟着移动。这三点合起来大幅削减了参数量——全连接层处理一张图要连接每个像素卷积层只用一组小核。输出尺寸的公式必须背下来(H − K 2P) / S 1H 是输入边长、K 是卷积核尺寸、P 是填充、S 是步长。除不尽时向下取整这也是很多人手算层数对不上的原因。池化层不参与学习只做下采样作用是降低分辨率、扩大感受野、提供一定的平移鲁棒性。import numpy as np def conv2d_naive(image, kernel, stride1, padding0): # image 为单通道二维数组kernel 为 K×K 的卷积核 if padding 0: image np.pad(image, padding, modeconstant) kh, kw kernel.shape out_h (image.shape[0] - kh) // stride 1 out_w (image.shape[1] - kw) // stride 1 out np.zeros((out_h, out_w)) for i in range(out_h): for j in range(out_w): patch image[i*stride:i*stridekh, j*stride:j*stridekw] out[i, j] np.sum(patch * kernel) # 对应位置相乘再整体求和 return out edge np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]]) # 四邻域拉普拉斯核突出边缘这段实现在输入尺寸、卷积核尺寸、步长、填充四个参数上完整复现了公式。手工算一遍 5×5 输入经过 3×3 核、步长 1、无填充的结果是 3×3比背公式更有记忆点。课程配套的图像练习通常先用 OpenCV 完成读图、缩放、颜色空间转换、通道拆分这些预处理再交给模型把「预处理」和「建模」明确分成两段这个分层习惯值得保留。3.2 文本表示词袋、TF-IDF 到上下文嵌入的递进文本进模型前必须先变成数。这条演进线有清晰的动机链词袋只统计词出现没出现丢失顺序和频次TF-IDF 引入频次和区分度常见词降权、稀有词升权词向量把词映射到稠密空间语义相近的词距离近上下文嵌入再进一步同一个词在不同句子里得到不同向量。TF-IDF 的计算就是词频乘以逆文档频率其中逆文档频率用对数平滑形式避免除零并压住高频词的权重。它的优势是可解释、无需训练缺点是稀疏、词序丢失作为基线足够用作主模型就偏弱了。from sklearn.feature_extraction.text import TfidfVectorizer docs [ 图像分类需要卷积网络, 文本分类常用词袋和词频, 词频统计会忽略词的区分度, ] # 中文没有空格分隔先用字级别的 1-2 元组切分 vectorizer TfidfVectorizer(analyzerchar, ngram_range(1, 2)) X vectorizer.fit_transform(docs) print(X.shape) # 行数是文档数列数是特征维度 print(vectorizer.get_feature_names_out()[:8])参数里 analyzer 决定切分单位ngram_range 决定是否保留相邻字的组合。中文场景下按字切是省事的做法讲究一些会先接分词工具。X 是稀疏矩阵转成稠密数组前先看维度特征维度一大就很容易把内存吃满。3.3 RNN 到 Transformer注意力为什么被需要循环网络把序列按时间步展开每一步的输出依赖上一步的隐藏状态。它的两个问题在入门阶段就要认清一是长距离依赖会衰减序列一长早期信息传到最后几乎消失二是按时间步串行计算无法在一条序列内部并行。长短期记忆网络用输入门、遗忘门、输出门三个门控来控制信息保留与丢弃缓解了梯度消失但没有解决串行计算。注意力机制换了思路不再依赖逐步传递而是让每个位置直接和序列中所有位置计算相关性权重一次性聚合全局信息。多头注意力则是在多个子空间里各算一遍最后拼接。这条动机链的记法可以浓缩成一句循环网络的瓶颈是「必须逐个传」注意力解决的是「可以同时看」。至于位置编码为什么必要答案是注意力本身对顺序不敏感打乱词序结果可能不变所以必须额外把位置信息注入。4. 三个易被跳过的分支遗传算法、强化学习与多智能体这三块在课程里所占篇幅不大被跳过的比例却很高。跳过它们的代价是知识地图出现空洞一旦面试或项目里碰到「用奖励信号训练智能体」这类问题会觉得无从下嘴。4.1 遗传算法四个部件构成一个完整循环遗传算法属于启发式搜索不依赖梯度适合解空间离散、目标函数不可导的问题。它的四个部件必须能默写出来编码把解表示成串或向量、适应度函数给解打分、选择按分数高低决定谁繁殖、交叉与变异产生新解并保持多样性。参数只有四个值得记种群规模决定搜索广度交叉率决定新解产生频率变异率决定跳出局部最优的能力代数决定什么时候停。变异率设得太低会早熟收敛设得太高则退化成随机搜索。import random def fitness(x): # 目标5 位二进制里 1 的个数越多越好最优解为 31 return bin(x).count(1) def mutate(x, rate0.05): for i in range(5): if random.random() rate: x ^ (1 i) # 按位异或实现该位取反 return x适应度函数的设计是这类算法里最见功力的一环它必须能区分个体的优劣否则选择压力无从谈起。变异用按位异或实现rate 控制每一位被翻转的概率这个写法比生成全新随机数更温和能保留父代的多数基因。4.2 强化学习状态、动作、奖励与一次增量更新强化学习的建模框架是马尔可夫决策过程五个要素状态集合、动作集合、奖励函数、状态转移概率、折扣因子。与监督学习最大的差别在于这里没有标准答案只有延迟到来的奖励模型必须自己通过试错去估计「在某个状态下做某个动作长期回报有多大」。Q 学习的更新式值得逐项拆开新估计等于旧估计加上学习率乘以「即时奖励加折扣后的下一状态最大 Q 值减去当前 Q 值」。括号里的部分叫时序差分误差学习率控制这次修正的幅度折扣因子控制对未来奖励的重视程度。import random import numpy as np Q np.zeros((n_states, n_actions)) for episode in range(episodes): s env.reset() done False while not done: if random.random() epsilon: # ε-greedy以一定概率随机探索 a random.randrange(n_actions) else: a int(np.argmax(Q[s])) # 否则选当前估值最高的动作 s_next, r, done, _ env.step(a) target r gamma * np.max(Q[s_next]) * (not done) # 终止状态无后继 Q[s, a] alpha * (target - Q[s, a]) # 朝目标挪一小步 s s_nextalpha 是学习率gamma 是折扣因子epsilon 是探索概率通常会随回合数衰减前期多探索、后期多利用。终止状态要乘 (not done) 把后继价值清零漏掉这一项会让智能体在终点附近反复打转是典型的手写实现翻车点。4.3 多智能体与仿真为什么入门课要放这一块单个智能体的环境是静态的多个智能体放在一起环境就变成了「别人的策略也在变」问题立刻升级会出现竞争、合作、博弈也会出现策略震荡和难以复现的结果。课程把这块放进来目的不是让你精通多智能体算法而是让你知道「智能」在交互中会涌现出单体能解释不了的行为。复习时的合理投入是理解概念和跑通示例不必陷进调参。仿真环境的随机种子、回合长度、奖励塑形这三处最容易吃掉时间先把种子固定、把回合截断再去观察行为变化。5. 易漏点排查五处最容易翻车的地方5.1 跳过课前自测直接进正文易漏点在于课前的自测题被当成形式。为什么漏多数人的习惯是先读正文再做题把自测当检验而它的设计意图是定位盲区。怎么补先盲做一遍错题标红再带着问题读正文读完立刻回看错题记忆留存率差别非常明显。5.2 只跑代码不看数据形状与预处理易漏点在于数据从哪来、怎么归一化、形状怎么对齐课程往往一句带过。为什么漏示例数据是备好的直接跑就出结果预处理环节被隐藏了。怎么补每个练习开始前手工打印一次数据形状、取值范围、标签分布把归一化那几行代码单独抄一遍报错率会断崖式下降。5.3 把训练集指标当成模型效果易漏点在于只报训练准确率。为什么漏训练损失几乎总在下降给人进展顺利的错觉。怎么补切出验证集先跑一个最笨的基线比如多数类预测模型必须明显超过基线才算有效同时记录训练与验证两条曲线形成习惯。5.4 跳过 AI 伦理与负责任 AI 模块易漏点在于这部分看着不像技术容易被整段略过。为什么漏它没有代码、没有指标读起来像务虚。怎么补把它当成工程约束来记重点是偏见来源、数据代表性、可解释性与隐私边界这几条落到具体问题上就是「这个数据集对哪类样本不友好」「模型出错时能不能解释」。5.5 只收藏不落笔记两周后归零易漏点在于把「下载了」当成「学会了」。为什么漏资源越完整越容易产生已掌握的错觉。怎么补每学完一节用自己的话写三行——这节解决什么问题、核心公式或结构是什么、最容易错在哪三行写不出来说明这节其实没进去。注意以上五条里第三条和第五条造成的损失最大前者让你误判模型后者让你误判自己。6. 复习清单三遍过课与模块自测表6.1 三遍过课法骨架、代码、自测各走一遍第一遍只求骨架不碰代码。把课程目录当成一张地图每节用一句话写清「它解决什么问题」遇到公式先跳过推导只看结论。这一遍的目标是能在白纸上画出模块之间的先后关系时间控制在总投入的两成左右。第二遍只碰代码不求全懂。每节的练习代码亲手跑通一次跑之前先改一处参数看结果怎么变——学习率调大十倍、批大小减半、卷积核换一个观察报错或指标变化。这一遍的核心产出是「失败经验」报错信息比成功运行更有信息量。第三遍对着自测题回扫。错题回到对应小节重读只读那一段不做全书重看。三遍走完多数人会发现真正卡住自己的点不超过五个把这五个写成一张便签贴在显示器边上比再刷一遍课程有效。6.2 模块自测表对着清单打勾别凭感觉模块能默写出来的内容自评神经网络前向公式、激活函数作用、反向传播的链式法则是/否框架训练循环五步、张量形状约定、损失与任务对应是/否视觉卷积三个特性、输出尺寸公式、池化作用是/否文本词袋到 TF-IDF 的动机、词向量与上下文嵌入的区别是/否序列RNN 的两个瓶颈、注意力的计算对象、位置编码的必要性是/否搜索与强化遗传算法四部件、Q 学习更新式各符号含义是/否伦理偏见来源、数据代表性、可解释性三条各举一例是/否表格里任何一行打不了勾就回到对应章节的第二遍流程只跑那一节的代码。打勾的标准是「能不看资料讲给别人听」不是「看着眼熟」。这一步我吃过亏曾经把整门课刷完自觉覆盖得挺全结果被问「卷积输出尺寸怎么算」时卡住才发现公式只是看过、从没手算过。从那以后我每次复习这类课程资源都强制走一遍「白纸复述 手算一遍 跑一次代码」这三件事任何一步跳过那个知识点基本就等于没学。课程再完整也只是别人的骨架能不能长成自己的知识树取决于你有没有亲手把每个节点连一遍。希望帮到你。本文还有配套的精品资源点击获取
