企业官网建设流程全解析

• 教程
• 人工智能
• 机器学习
• 深度学习

本指南围绕 AI-For-Beginners 仓库中examples目录提供的四个独立入门示例展开，带你以最小成本完成从"模式识别"到"文本情感分析"的完整初体验。读完本文后，你将掌握四个可直接复制运行的 Python 示例与 Jupyter Notebook，理解机器学习中"从数据中学习"、"前向/反向传播"、"迁移学习"与"文本预处理"的核心思想，并学会如何接入仓库完整的 12 周课程体系继续深入学习。

示例总览：四个循序渐进的学习台阶

examples目录（本指南的德语翻译版位于 translations/de/examples/README.md）中放置了四个风格统一、注释详尽的独立示例，难度从一颗星到两颗星逐级递增：

四个示例的共同设计原则是"初学者友好"：每个文件都带有详细的逐行注释和分步讲解，不依赖任何复杂的机器学习框架（其中两个纯 Python 示例甚至连 numpy 都不需要）。它们共同勾勒出一条从"规则模式"到"神经网络"再到"视觉与文本任务"的渐进式学习曲线，与课程主线 1-Intro、3-NeuralNetworks、4-ComputerVision、5-NLP 一一对应。

环境准备

示例运行环境要求并不高，官方文档建议安装Python 3.8 或更高版本。具体安装依赖时，可按使用场景二选一。

方式一：直接使用 pip 安装所需包

# Python 脚本（01、02、04）所需的最小依赖 pip install numpy # Jupyter Notebook（03 图像分类器）需要额外安装 pip install jupyter numpy pillow tensorflow

其中图像分类器对依赖的要求更明确：tensorflow提供深度学习运行环境与预训练模型接口，pillow（PIL）负责图片的读取与缩放，jupyter用于运行 notebook。

方式二：复用仓库的 conda 环境

仓库根目录的 environment.yml 定义了完整课程环境ai4beg，一次创建即可覆盖全部示例与后续课程：

conda env create --name ai4beg --file environment.yml conda activate ai4beg

从该配置文件可以看到，环境基于defaults与conda-forge两个 channel，核心依赖包括jupyter、ipykernel、ipywidgets、numpy=1.26、matplotlib=3.9、scikit-learn、scipy=1.13、opencv，并同时安装了 PyTorch 全家桶（pytorch、torchtext、torchvision、torchdata）——这是为了服务完整课程中 PyTorch 与 TensorFlow 双栈的教学需要。此外，environment.yml 还会通过 pip 读取 requirements.txt 补充安装tensorflow==2.17.0、keras==3.13.2、pillow==12.2.0、nltk==3.10.0、gensim==4.3.3、gym==0.26.2等课程配套依赖。

运行示例

运行 Python 脚本（.py 文件），在仓库根目录执行：

python examples/01-hello-ai-world.py python examples/02-simple-neural-network.py python examples/04-text-sentiment.py

运行 Jupyter Notebook（.ipynb 文件）：

jupyter notebook examples/03-image-classifier.ipynb

也可以在 VS Code 等编辑器中对 notebook 逐 cell 执行。需要注意的是，03 号示例首次运行加载 MobileNetV2 时会联网下载预训练权重，需要保持网络畅通。

示例详解：源码级逐层拆解

下面结合四个示例的完整源码，逐一讲解它们"做了什么"以及"为什么这么做"。

1. Hello AI World：理解"从数据中学习"的最小模型

01-hello-ai-world.py 的目标是让一个不带任何框架的"AI"学会数学规律y = 2x。它用一个只有单个权重参数的类SimpleAILearner演示了机器学习最核心的三个步骤：从数据中学习、做出预测、识别模式。

关键实现（对应 01-hello-ai-world.py）：

• 权重初始化：self.weight = random.uniform(0, 5)，AI 以一个随机猜测作为起点；
• 学习率：self.learning_rate = 0.01，控制每次修正的步长；
• 预测：predict(x)直接返回weight * x，即线性模型 y = wx；
• 训练：遍历训练数据，用error = y_actual - y_predicted计算误差，再以weight += learning_rate * error * x更新权重——这一行就是"学习"发生的物理位置。

训练数据是 5 个(x, y)样本对：(1,2), (2,4), (3,6), (4,8), (5,10)。默认训练 100 个 epoch（完整遍历数据集 100 遍），每 20 个 epoch 打印一次平均误差与当前权重。训练完成后，脚本用未见过的输入6, 7, 10, 15测试模型，你会发现预测值逼近2x，误差收敛到很小。

这段代码的精妙之处在于：它把"训练"与"预测"剥离开——AI 学到的不是死记硬背，而是数据背后的比例关系。源码末尾的提示也给出了三个可自行实验的旋钮：更换训练数据以学习不同规律、调整第 29 行的learning_rate观察收敛速度、修改epochs观察训练时长与精度的关系。

2. 从零搭建简单神经网络：前向传播与反向传播

02-simple-neural-network.py 不使用任何 ML 框架，纯 Python 实现一个单神经元网络，任务是判断二维平面上的点位于直线 y = x 上方（标签 1）还是下方（标签 0）。它帮你理解神经网络"引擎盖下面"发生了什么。

源码包含三个核心组件：

• sigmoid 激活函数（02-simple-neural-network.py）：把任意数值压缩到 0~1 之间，用于表达"信心程度"——接近 1 表示"非常确定是"，接近 0 表示"非常确定不是"，0.5 附近表示"不确定"。实现中还通过if x > 100 / if x < -100提前截断，防止math.exp(-x)溢出；
• sigmoid 导数（02-simple-neural-network.py）：x * (1 - x)，用于反向传播中计算权重调整量；
• SimpleNeuron 类（02-simple-neural-network.py）：每个输入配一个random.uniform(-1, 1)的初始权重，另有偏置项。feedforward依次完成加权求和 → 加偏置 → sigmoid 激活三步；train则计算误差，用delta = error * sigmoid_derivative(output)求出调整量，再按learning_rate（默认 0.1）更新全部权重与偏置。

训练数据由generate_training_data(num_samples=100)随机生成 100 个点，标签由1 if y > x else 0自动标注。主流程训练 50 个 epoch，最后用visualize_decision在 10 个新点上打印预测、真实值与正确性，并输出准确率百分比。

从源码结构看，这个示例完整演示了前向传播（预测）、误差计算、反向传播（学习）的闭环，是理解后续课程中 03-Perceptron 与 04-OwnFramework（从零搭建自己的框架）的最好铺垫。源码末尾同样给出了进阶实验方向：调整num_samples、epochs、第 185 行的learning_rate，以及修改generate_training_data尝试不同的决策边界。

3. 图像分类器：用预训练模型体验迁移学习

03-image-classifier.ipynb 是四个示例中唯一的 notebook，它演示如何零训练成本地让神经网络识别现实物体（猫、狗、汽车等）。核心思路是迁移学习——直接加载别人在海量数据上训练好的模型，这正是课程 08-TransferLearning 的核心概念。

完整流程分为五步：

1. 导入依赖：numpy、PIL、requests、tensorflow；代码用try/except ImportError捕获未安装 TensorFlow 的情况并给出安装提示；
2. 加载预训练模型（对应 03-image-classifier.ipynb）：MobileNetV2(weights='imagenet', include_top=True)——include_top=True表示保留顶部分类层，weights='imagenet'表示使用在 ImageNet 数据集上训练好的权重，模型可识别1000 种物体类别；
3. 图片预处理（prepare_image，03-image-classifier.ipynb）：统一resize到 224×224（模型的期望输入尺寸）→ 转 numpy 数组 →np.expand_dims增加 batch 维度 → 调用preprocess_input做 MobileNetV2 专属的标准化；
4. 分类预测（classify_image）：model.predict输出 1000 个类别的概率向量，decode_predictions(predictions, top=5)解码为可读标签，取前 5 名并以可视化进度条（█字符）展示置信度；
5. 测试与扩展：内置猫、狗、车三张 Unsplash 示例图，最后留出"自定义图片"cell，替换 URL 即可测试任意图片。

Notebook 还给出了置信度的解读标准：90–100% 非常确定、70–90% 有把握、50–70% 可能正确、低于 50% 不确定；并解释了预测失败的可能原因：异常角度或光线、图中含多个物体、目标超出 1000 类、图片模糊低质等。这套"如何理性看待模型输出"的思维，比分类结果本身更具迁移价值。

4. 文本情感分析：NLP 的最小实现

04-text-sentiment.py 的目标是判断一段影评是正面还是负面。它用约 120 行纯 Python 代码，无框架地实现了 NLP 的三大经典步骤：文本预处理 → 特征提取 → 情感分类。

核心类SimpleSentimentAnalyzer的实现要点：

• 预处理（04-text-sentiment.py）：转小写 → 用正则re.sub(r'[^a-z\s]', '', text)剔除标点与特殊字符 → 按空格分词 → 过滤长度 ≤2 的短词（如 "a"、"i"）；
• 训练（04-text-sentiment.py）：用collections.Counter分别统计正/负样本中的词频，然后为每个词计算情感分：(pos_count - neg_count) / (total + 1)，分母的+1是平滑项，避免除零并抑制低频词的影响。得分 >0 偏正面、<0 偏负面；
• 分析（04-text-sentiment.py）：新文本取各词情感分的平均值，avg_score > 0判为 positive，置信度由min(abs(avg_score) * 100, 100)换算为百分比。

训练数据由create_training_data()提供 16 条人工标注的影评（8 正 8 负），覆盖 "amazing/wonderful/brilliant" 等正面词与 "terrible/awful/horrible" 等负面词。主流程先训练，再对 6 条新影评做预测（含一条语义中性偏正的 "Pretty good movie"），最后进入交互模式——你可以反复输入自己的影评实时得到情感判定，输入quit、exit或q退出。源码末尾提示了进阶方向：增加训练样本提升精度、尝试分析推文/商品评论，并链接到 5-NLP 课程继续深入。

推荐学习路径

官方文档建议按以下顺序逐个攻破，因为四个示例之间存在清晰的知识递进关系：

1. 先跑 "Hello AI World"——理解模式识别与"从数据中学习"的基本概念；
2. 再搭一个简单神经网络——理解神经元的计算过程与学习机制；
3. 试玩图像分类器——用真实图片直观感受 AI 的能力边界；
4. 最后分析文本情感——迈入自然语言处理领域。

给初学者的四点建议

• 逐行阅读代码注释：四个示例的注释都解释了"这一行在做什么"，是比任何教程都更贴身的学习材料；
• 大胆实验：修改学习率、epochs、训练数据等参数，观察输出如何变化，这是建立直觉的最快方式；
• 不要求一次全部看懂：学习需要时间，先跑通、再理解、后改造，是符合认知规律的节奏；
• 学会提问：遇到困惑时可以借助仓库的讨论区与社区交流，也可以结合 CONTRIBUTING.md 中的协作规范参与讨论。

下一步：接入完整课程

完成上述四个示例后，你就具备了继续完整 12 周课程的基础。官方推荐按以下路线继续：

• 课程导论与 AI 基础：AI 的历史、方法与哲学问题；
• 神经网络与深度学习：从感知机到主流框架；
• 计算机视觉：CNN、迁移学习、GAN、目标检测与分割；
• 自然语言处理：文本表示、嵌入、Transformer 与大语言模型。

此外，仓库的 binder/environment.yml 与根目录 environment.yml 提供了 Binder 在线环境支持，可以直接在浏览器中运行课程 notebook，无需在本地配置环境。

参与贡献

如果你觉得这些示例对入门有帮助，也欢迎帮助它们变得更好：

• 报告问题或提出改进建议（通过仓库的 Issues）；
• 新增更多面向初学者的示例；
• 改进文档与代码注释质量。

这些示例是课程体系的"前菜"——每个专家都曾是初学者，从这里开始，你将一步步走进 AI 的世界。

• 教程
• 人工智能
• 机器学习
• 深度学习