AIJVS

引子MNIST 的准确率刷到 99% 了，然后呢？ 你换了张真实照片——模糊的、带噪点的、背景花里胡哨的——CNN 直接掉到 70%。 不是你模型不行，是 MNIST 太简单了。 CIFAR-10 就是下一个台阶：32×32 彩色图片，10 个类别，真正的”AI 能不能分清猫和狗”。 训练集：50,000 张 测试集：10,000 张 彩色（3 通道 RGB），32×32 像素 10 类：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车 跟 MNIST 的本质区别：颜色 + 纹理 + 形状才是特征，纯像素不够。 前置知识 实战：手写数字识别（MNIST） 神经网络架构详解：CNN 卷积神经网络 一、基线 CNN先拿一个比 MNIST 那篇更深的 CNN，看 CIFAR-10 的难度。 12345678910111213141516171819202122232425262728293031323334353637383940import torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom...

引子你学了 PyTorch，懂了张量怎么算、梯度怎么传——但脑子里还是空的。 “学完了理论，我不知道怎么组合起来。” 这是我从后台看到最多的私信。所以这篇来了：一次完整的实战，从数据到模型到调优。 你能写出一个识别手写数字的程序，就说明你真正理解了深度学习的基础管线。 前置知识 PyTorch 实战（二）：构建第一个全连接网络 神经网络架构详解：CNN 卷积神经网络 看完这两篇再来，手感会好很多。 一、MNIST 数据集长什么样？MNIST 是计算机视觉界的”Hello World”。 训练集：60,000 张 28×28 灰度手写数字（0-9） 测试集：10,000 张 每个像素 0-255，白色背景、黑色笔迹 12345678# 看一眼数据长什么样子import torchimport torchvisionimport matplotlib.pyplot as plttrain_data = torchvision.datasets.MNIST(root='./data', train=True, download=True)print(f&q...

引言 对计算机来说，”你好”和”hello”只是两个字节序列，它不懂”你好”背后的含义。 NLP（自然语言处理） 要做的事就是让计算机理解人类语言。但文本数据有个麻烦——它不像图片那样天然有像素坐标结构。 本文带你走完 NLP 的标准流程：原始文本 → 清洗 → 分词 → 向量化 → 词嵌入，这是后续一切 NLP 任务的基础。 前置知识 机器学习入门：概念与分类全解 Python 编程基础（一）：从零搭建你的AI开发环境 一、NLP 的核心挑战1.1 语言 vs 计算机 语言 计算机 “苹果很好吃” 字节序列 “我今天买了苹果手机” 同一个词，不同意思 “I am running” ~ “The running water” 同一个词，不同词性 “苹果很好吃” ~ “我吃了苹果” “苹果”出现了位置变了 三个核心问题： 分词 — 一句话拆成什么单位？ 歧义 — 同一个词在不同上下文什么意思？ 表示 — 怎么把词变成计算机能算的数字向量？ 1.2 NLP 的典型任务1234567分词/词性标注 ─── 基础任务（管道上游） ↓命名实体识...

引言计算机视觉（CV）是 AI 最成熟的落地领域之一： 手机人脸解锁 自动驾驶识别行人和车辆 医学影像辅助诊断 电商以图搜图 短视频滤镜和特效 所有这些技术的底层都是图像处理。这篇文章从像素开始，带你走完”传统图像处理 → 深度学习特征提取 → CV 任务全景”的完整路径。 前置知识 数学基础（一）：线性代数——让机器学会看向量 神经网络架构详解：CNN 卷积神经网络 看完 CNN 那篇再来，效果好一倍。 一、图像在计算机中的表示1.1 一张图片 = 一个三维数组123灰度图 (Grayscale): [H×W] — 每个像素 0-255 的亮度值彩色图 (RGB): [H×W×3] — 三个通道：红/绿/蓝RGBA 图: [H×W×4] — 多一个 Alpha（透明度） 像素值范围通常是 0-255（8 位），深度学习会归一化到 0-1 或 -1~1。 123456789101112131415import cv2import matplotlib.pyplot as...

引言CNN 处理的是图片——有空间结构。那文本、语音、股价、视频呢？这些是序列数据，长度不固定，前后有依赖关系。 “I love this movie” 和 “I don’t love this movie”——同一个词 “love”，因为前面有个 “don’t”，意思完全反了。 RNN（循环神经网络） 就是为序列数据设计的——它能记住前面看到的信息来影响当前的判断。 但 RNN 有个致命缺陷：长期依赖问题——看了 100 个词之后，第 1 个词的信息基本被遗忘了。这就是 LSTM（长短期记忆网络） 要解决的问题。 前置知识 深度学习入门指南：从零开始理解神经网络 PyTorch 实战（二）：构建第一个全连接网络 理解神经网络的基本概念就够了。 一、为什么需要 RNN？传统网络的问题1234567传统神经网络（全连接 / CNN）:输入 → [网络] → 输出每个输入独立处理，没有"记忆"能力。"I am from China, I speak ______"→ 需要记住前面说了 "China" 才能预测 &q...

引言上一篇文章我们用全连接网络实现了手写数字识别——但你知道吗？如果换成人脸识别、自动驾驶场景，全连接网络基本不 work。 原因很简单：全连接把 28×28 的图片展平成 784 个独立的像素，完全丢掉了空间结构信息。 一张猫的图片，把像素随机打乱，全连接网络认不出来了。 CNN（卷积神经网络） 就是来解决这个问题的——它用卷积核在图片上滑动，保留空间结构，捕捉局部特征。这也是为什么 CNN 统治了计算机视觉领域近十年。 前置知识 PyTorch 实战（二）：构建第一个全连接网络 AI数学基础（一）：线性代数——让机器学会看向量 需要已经会用 PyTorch 搭网络、跑训练循环。 一、CNN 的核心思想为什么全连接不行？全连接层的参数量 = 输入维度 × 输出维度。对于一张 256×256 的彩色图片： 12输入: 256 × 256 × 3 = 196,608全连接层（128个神经元）: 196,608 × 128 ≈ 2500 万参数 2500 万个参数就一层！ 三层下去直接上亿，根本训不动。 CNN 的三大优势 全连接 CNN 每个像素独立 局...

引言上篇文章我们学了张量操作和自动微分——相当于拿到了砖头和水泥。这篇我们来盖第一栋房子：用 PyTorch 的 nn.Module 构建全连接神经网络，完成手写数字识别。 写完这篇文章的代码，你就走通了深度学习的完整流程：数据加载 → 模型定义 → 训练 → 评估。 前置知识 PyTorch 实战（一）：张量操作与自动微分 机器学习入门：概念与分类全解 尤其是 PyTorch（一）中的 requires_grad、backward()、梯度更新——这些是本文的基础。 一、项目结构总览12345678910111213┌──────────────┐ ┌──────────────┐ ┌──────────────┐│ DataLoader │────▶│ Model │────▶│ Trainer ││ 数据加载器 │ │ 模型定义 │ │ 训练循环 │├──────────────┤ ├──────────────┤ ├──────────────┤│ - MNIST 数...

引言 上一篇文章用了 KNN 做分类，KNN 并不需要梯度。但从神经网络开始，自动求导（Autograd） 就成了最核心的基础设施。 PyTorch 之所以成为深度学习领域的第一框架（没有之一），两个原因： 动态计算图 — 边运行边构建，调试方便，灵活度高 自动求导 — 你只需要定义前向传播，反向传播自动算好 本文从零开始，带你掌握 PyTorch 的两大核心：张量操作 和 自动微分。 前置知识 Python 编程基础（二）：变量、数据类型和基本运算 Python 编程基础（三）：NumPy——AI工程师的第一件武器 AI数学基础（一）：线性代数——让机器学会看向量 会用 NumPy 就够了，PyTorch 的 Tensor API 和 NumPy 几乎一模一样。 一、安装与配置1pip install torch torchvision torchaudio 验证安装： 12345import torchprint(f"PyTorch 版本: {torch.__version__}")print(f"CUDA 可用...

引言你学了 Python，补了数学，知道神经网络长什么样——但机器学习到底是什么？ 简单说：机器学习就是让计算机从数据中自动学习规律，然后用学到的规律做预测或决策。 传统编程是你告诉计算机每一步怎么做，机器学习是你给计算机大量例子，让它自己找出规则。 比如识别猫： 传统编程：写规则「有尖耳朵、有胡须、会喵喵叫 → 是猫」——太死板，换只品种就不认了 机器学习：给 10 万张猫和狗的图片，让模型自己发现「猫的特征分布」——新图片来了也能猜 看完这篇，你会掌握机器学习的三大分类、核心概念，并且能手写第一个分类模型。 前置知识 Python 编程基础（一）：从零搭建你的AI开发环境 AI数学基础（二）：概率论——教机器做不确定的决策 只要会 Python 基础语法就能跟上。不需要高等数学。 一、机器学习的三大分类所有的机器学习问题都可以归入三类： 1. 监督学习（Supervised Learning）有标签数据，模型学习「输入 → 输出」的映射关系。 123# 训练数据：既有特征（花的尺寸），又有标签（品种）# 特征: [花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度]# 标...

AI数学基础（一）：线性代数——让机器学会”看”向量300年前那个改变世界的夜晚1691年的一个秋夜，法国小镇上，一个17岁的少年在昏暗的烛光下写日记。他的名字叫亚伯拉罕·棣莫弗（Abraham de Moivre）。 这个少年可能不会想到，他那天晚上在日记里随手画的一个坐标系——用两条垂直的直线来表示平面上的点的位置——会在300多年后，成为让人工智能”看见”这个世界的基础工具。 你想想看，当你用手机拍照时，照片在电脑眼里是什么？ 就是一堆数字。 一张1920×1080的图片，在AI眼里就是一个1920×1080的数字矩阵。每个数字代表一个像素的亮度或颜色值。AI要”看懂”这张图，就得对这些数字进行运算——而这些运算，全都是线性代数。 所以今天，咱们就来聊聊：线性代数到底是什么？为什么AI离不开它？ 一、标量、向量、矩阵：从地图坐标到Excel表格1. 标量：就是一个数字最简单的开始。标量（scalar）就是一个单独的数字。 15、3.14、-2、100 比如：”今天气温23度”——这个”23”就是标量。它只有一个数值，没有方向。 2. 向量：有方向的数组向量（vector...