Python AI入门：从Hello World到图像分类

优质文章学习记录

— 6 min read

Python AI入门：从Hello World到图像分类

一、Python AI的Hello World

1.1 环境搭建

首先，我们需要搭建Python AI的开发环境：

# 安装PyTorch pip install torch torchvision # 安装其他依赖 pip install numpy matplotlib

1.2 第一个AI程序

让我们来编写一个最简单的AI程序 - 线性回归：

import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 生成训练数据 x = torch.linspace(0,10,100).unsqueeze(1) y =2* x +1+ torch.randn(100,1)*0.5# 定义模型classLinearModel(nn.Module):def__init__(self):super(LinearModel, self).__init__() self.linear = nn.Linear(1,1)defforward(self, x):return self.linear(x)# 创建模型实例 model = LinearModel()# 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# 训练模型 epochs =100for epoch inrange(epochs):# 前向传播 outputs = model(x)# 计算损失 loss = criterion(outputs, y)# 反向传播 optimizer.zero_grad() loss.backward()# 更新参数 optimizer.step()if(epoch +1)%10==0:print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')# 测试模型with torch.no_grad(): predicted = model(x)# 可视化结果 plt.scatter(x.numpy(), y.numpy(), label='Original data') plt.plot(x.numpy(), predicted.numpy(),'r-', label='Fitted line') plt.legend() plt.show()print("Hello World! AI模型训练完成")

二、从线性回归到神经网络

2.1 神经网络基础

线性回归是最简单的AI模型，而神经网络则是更复杂的模型。让我们来构建一个简单的神经网络：

import torch import torch.nn as nn import torch.optim as optim # 生成非线性数据 x = torch.linspace(-1,1,100).unsqueeze(1) y = x.pow(2)+0.2* torch.randn(100,1)# 定义神经网络模型classNeuralNet(nn.Module):def__init__(self):super(NeuralNet, self).__init__() self.hidden = nn.Linear(1,10) self.output = nn.Linear(10,1)defforward(self, x): x = torch.relu(self.hidden(x)) x = self.output(x)return x # 创建模型实例 model = NeuralNet()# 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01)# 训练模型 epochs =1000for epoch inrange(epochs): outputs = model(x) loss = criterion(outputs, y) optimizer.zero_grad() loss.backward() optimizer.step()if(epoch +1)%100==0:print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')# 测试模型with torch.no_grad(): predicted = model(x)# 可视化结果import matplotlib.pyplot as plt plt.scatter(x.numpy(), y.numpy(), label='Original data') plt.plot(x.numpy(), predicted.numpy(),'r-', label='Neural network prediction') plt.legend() plt.show()

2.2 理解神经网络的工作原理

神经网络的基本原理是通过多层神经元的组合，学习数据中的复杂模式：

  1. 输入层：接收原始数据
  2. 隐藏层：提取数据特征
  3. 输出层：产生预测结果
  4. 激活函数：引入非线性，使网络能够学习复杂模式

三、图像分类入门

3.1 数据准备

我们将使用MNIST数据集进行图像分类：

import torch import torchvision import torchvision.transforms as transforms # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,),(0.5,))])# 加载MNIST数据集 trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)# 查看数据import matplotlib.pyplot as plt import numpy as np # 函数：显示图像defimshow(img): img = img /2+0.5# 反归一化 npimg = img.numpy() plt.imshow(np.transpose(npimg,(1,2,0))) plt.show()# 获取一批训练数据 dataiter =iter(trainloader) images, labels =next(dataiter)# 显示图像 imshow(torchvision.utils.make_grid(images))print('标签:',' '.join(f'{labels[j]}'for j inrange(4)))

3.2 构建图像分类模型

现在我们来构建一个用于图像分类的卷积神经网络：

import torch.nn as nn import torch.nn.functional as F classNet(nn.Module):def__init__(self):super(Net, self).__init__()# 卷积层 self.conv1 = nn.Conv2d(1,32,3,1) self.conv2 = nn.Conv2d(32,64,3,1)# 池化层 self.pool = nn.MaxPool2d(2,2)# 全连接层 self.fc1 = nn.Linear(64*12*12,128) self.fc2 = nn.Linear(128,10)defforward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1,64*12*12) x = F.relu(self.fc1(x)) x = self.fc2(x)return x # 创建模型实例 net = Net()print(net)

3.3 训练图像分类模型

import torch.optim as optim # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)# 训练模型 epochs =5for epoch inrange(epochs): running_loss =0.0for i, data inenumerate(trainloader,0):# 获取输入 inputs, labels = data # 清零梯度 optimizer.zero_grad()# 前向传播 outputs = net(inputs)# 计算损失 loss = criterion(outputs, labels)# 反向传播 loss.backward()# 更新参数 optimizer.step()# 统计损失 running_loss += loss.item()if i %100==99:print(f'[{epoch +1}, {i +1}] loss: {running_loss /100:.3f}') running_loss =0.0print('训练完成')

3.4 测试模型

# 测试模型 correct =0 total =0with torch.no_grad():for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data,1) total += labels.size(0) correct +=(predicted == labels).sum().item()print(f'测试准确率: {100* correct / total:.2f}%')# 查看预测结果 dataiter =iter(testloader) images, labels =next(dataiter)# 显示图像 imshow(torchvision.utils.make_grid(images))print('真实标签:',' '.join(f'{labels[j]}'for j inrange(4)))# 预测 outputs = net(images) _, predicted = torch.max(outputs,1)print('预测标签:',' '.join(f'{predicted[j]}'for j inrange(4)))

四、从Rust开发者角度的思考

4.1 与Rust的对比

作为一个Rust开发者，学习Python AI有以下感受：

  • 开发效率：Python的开发效率比Rust高，尤其是在AI开发中
  • 生态系统：Python的AI生态系统非常丰富，有大量成熟的库
  • 性能：Python的性能虽然不如Rust，但在AI开发中，PyTorch等库已经做了很多优化
  • 类型系统：Python的动态类型与Rust的静态类型有很大不同，需要适应

4.2 学习建议

对于Rust开发者学习Python AI，我有以下建议：

  • 利用系统思维：Rust的系统级编程经验有助于理解AI模型的底层实现
  • 注重代码质量：保持Rust的代码风格，写出清晰、可维护的Python代码
  • 实践项目：通过实际项目巩固学习成果
  • 跨语言学习：将Rust和Python结合起来，发挥各自的优势

五、总结

通过从Hello World到图像分类的学习，我已经初步掌握了Python AI的基本概念和使用方法。作为一个Rust开发者，我发现Python AI的学习过程既有挑战也有机遇。

挑战在于Python的动态类型和内存管理与Rust有很大不同，需要适应新的思维方式。机遇在于Python的AI生态系统非常丰富，开发效率高，能够快速实现AI模型。

Read more

AIGC与现代教育技术

AIGC与现代教育技术

目录 引言 一、AIGC在教育技术中的基本概念 1.1 什么是AIGC？ 1.2 传统教育技术和AIGC的对比 二、实现过程：AIGC在现代教育中的实现 2.1 自动生成课件内容 2.1.1 代码示例：使用GPT生成教学文案 2.1.2 完善自动生成资料 2.1.3 多模态内容生成 2.2 数据高效分析和自动提供学习计划 2.2.1 数据学习分析 2.2.2 自动生成学习计划 三、应用场景 3.1 K12教育 示例：自动生成数学题目 3.2 高等教育

Llama-3.2-3B实战：用Ollama生成营销文案

Llama-3.2-3B实战：用Ollama生成营销文案 电商商家每天需要制作大量商品营销文案，人工撰写不仅耗时耗力，还难以保证创意和质量。本文将展示如何用Llama-3.2-3B模型快速生成高质量营销文案，让你的产品描述瞬间变得吸引人。 1. 快速上手：3分钟部署Llama-3.2-3B 不需要复杂的环境配置，不需要写代码，只需要简单几步就能开始使用这个强大的文案生成工具。 1.1 找到Ollama模型入口 打开你的Ollama界面，在模型选择区域找到入口。通常这里会显示当前可用的模型列表，如果还没有Llama-3.2-3B，需要先下载。 1.2 选择Llama-3.2-3B模型 在模型选择下拉菜单中，找到并选择【llama3.2:3b】。这个3B版本的模型在生成质量和运行速度之间取得了很好的平衡，特别适合营销文案生成任务。 1.3 开始使用模型 选择模型后，页面下方的输入框就会激活，你可以直接在这里输入你的需求，模型会立即生成相应的文案。 2. 营销文案生成实战案例 下面通过几个真实场景，展示Llama-3.2-3B在营销文案生成方面的强大能力。 2.1

vscode-copilot-chat调试指南：快速解决扩展运行问题

vscode-copilot-chat调试指南：快速解决扩展运行问题 【免费下载链接】vscode-copilot-chatCopilot Chat extension for VS Code 项目地址: https://gitcode.com/gh_mirrors/vs/vscode-copilot-chat vscode-copilot-chat作为VS Code的AI辅助扩展，在开发过程中可能因环境配置、依赖冲突或API变更导致运行异常。本文档系统梳理调试流程，覆盖环境准备、启动配置、日志分析、常见问题解决等核心环节，帮助开发者快速定位并修复问题。 开发环境准备 基础依赖检查 确保开发环境满足最低要求： * Node.js 22.x * Python 3.10-3.12 * Git LFS（用于测试资源拉取） * Windows需安装Visual Studio Build Tools 2019+ 通过以下命令验证环境： node -v # 应输出v22.
Nano Banana进行AI绘画中文总是糊？一招可重新渲染，清晰到可直接汇报

Nano Banana进行AI绘画中文总是糊？一招可重新渲染，清晰到可直接汇报

文章目录 * 1. 为什么 Nano Banana 生成的中文经常不清晰？ * 2. 解决思路：Nano Banana + Seedream 4.5 的两段式工作流 * 3. 实战：先用 Nano Banana 生成架构图（中文会糊） * 4. 部署 Personal LLM API，并配置 Seedream 4.5 * 5. 用 Cherry Studio 配置已部署的 LLM 接口 * 6. 关键一步：用 Seedream 4.5 对“中文文字重新渲染” * 7. 效果对比：字清晰、无错位、图形保持不变