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

本篇技术指南围绕微软开源课程AI-For-Beginners（12 周、24 课、面向所有人的 AI 课程）仓库中的examples/目录展开，讲解其中 4 个独立的入门级示例：从纯 Python 实现的最小"AI 学习者"、从零手写的单神经元网络，到调用 MobileNetV2 预训练模型的图像分类器，再到基于词频统计的文本情感分析。读者学完后，将能够独立配置 Python 环境、运行.py脚本与.ipynb笔记本，并理解数据学习、前向传播、反向传播、迁移学习与文本预处理等核心 AI 概念。

示例总览

examples/目录收录了 4 个面向初学者、可独立运行的示例（原始说明见 translations/et/examples/README.md），每个示例均配有详细注释和分步讲解，难度逐级递进：

这四个示例恰好构成了一条从"模式识别"到"神经网络"再到"计算机视觉（CV）"与"自然语言处理（NLP）"的渐进路径，对应课程体系中 1-Intro、3-NeuralNetworks、4-ComputerVision 和 5-NLP 四大模块，适合作为正式上课前的暖身练习。

运行环境准备

前置要求

示例基于 Python 开发，建议安装Python 3.8 或更高版本（笔记本的language_info中也标注了 3.8 作为参考运行环境）。随后安装必要的第三方包：

# Python 脚本所需 pip install numpy # Jupyter 笔记本所需（图像分类器） pip install jupyter numpy pillow tensorflow

其中：

• numpy用于数值数组操作，是01、03示例的依赖；
• jupyter用于运行.ipynb笔记本；
• pillow（PIL）用于读取和处理图像；
• tensorflow提供 Keras 应用模块，供03示例加载 MobileNetV2 模型。

使用 conda 环境（推荐）

也可以直接复用课程主线的 conda 环境，一条命令完成全部依赖安装（定义文件位于仓库根目录的 environment.yml，环境名ai4beg）：

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

该环境除 numpy、jupyter、matplotlib、scikit-learn 等基础库外，还同时包含 PyTorch（pytorch、torchvision、torchtext、torchdata）与 OpenCV，并通过 requirements.txt 一并安装了 TensorFlow 2.17、Keras、Pillow、pandas、seaborn 等完整课程依赖，可覆盖本课程所有示例和笔记本的运行需求。详细的本地/容器/云端运行说明可参考 lessons/0-course-setup/how-to-run.md。

运行示例

Python 脚本（.py 文件）：进入examples/目录后直接执行

python 01-hello-ai-world.py

Jupyter 笔记本（.ipynb 文件）：启动 Jupyter 后打开笔记本

jupyter notebook 03-image-classifier.ipynb

如果希望在 VS Code 中运行，可参考课程环境搭建文档 lessons/0-course-setup/setup.md：安装 Python 扩展后即可在编辑器内直接执行笔记本；较有经验者还可以选择 Docker 容器或云端（Codespaces、Binder、带 GPU 的云虚拟机）运行。

示例一：Hello AI World——最小 AI 学习者

examples/01-hello-ai-world.py 是全部示例中代码量最小、概念最纯粹的入口：它不依赖任何机器学习库，仅用纯 Python 就让程序"学会"了一个数学模式——y = 2x。

核心是一个SimpleAILearner类：

• __init__中用random.uniform(0, 5)随机初始化一个"权重"（weight），并设置学习率learning_rate = 0.01；
• predict(x)只做一件事：返回weight * x；
• train()遍历训练数据（形如(x, y)的元组列表），计算预测值与真实值的误差，并用增量式规则更新权重：weight += learning_rate * error * x，每 20 轮打印一次平均误差。

训练数据只有 5 条：(1,2) (2,4) (3,6) (4,8) (5,10)。训练 100 轮后，程序用全新的输入[6, 7, 10, 15]测试模型，展示预测值、真实值（2 * x）及二者差值。从输出可以看到权重从随机初值逐步收敛到接近 2，误差趋近于零。

这一示例回答了一个根本问题：AI 是怎么"学习"的？答案是：从数据中反复调整参数（这里的单一权重），以最小化预测误差。它是后续所有神经网络示例的思想起点。可以自行实验的变量包括：更换训练数据以学习其他线性关系、调整learning_rate（见源码第 29 行）、修改epochs观察训练时长对精度的影响。

示例二：从零构建简单神经网络

examples/02-simple-neural-network.py 在不使用任何 ML 框架的前提下，构建了一个能够完成分类任务的单神经元网络，任务设定为：判断二维平面上的点位于直线 y = x 的上方（标签 1）还是下方（标签 0）。

示例逐层揭示了神经网络的四个核心机制：

1. Sigmoid 激活函数：sigmoid(x)将任意数值映射到 0 与 1 之间，源码中对x > 100和x < -100做了溢出保护；sigmoid_derivative(x)返回x * (1 - x)，用于梯度计算。
2. 神经元：SimpleNeuron用随机权重与偏置初始化；feedforward()完成前向传播——对输入加权求和、加偏置、过 sigmoid 输出。
3. 反向传播：train()计算误差error = target - output，乘以导数得到delta，再按weight += learning_rate * delta * input更新权重与偏置。
4. 数据生成与评估：generate_training_data(num_samples=100)随机采样 100 个点并打标签；visualize_decision()用 10 个新点评估分类正确率。

运行后可以看到：神经元从随机权重出发，经过 50 轮（epochs）训练，平均误差持续下降，最终对新点的分类准确率接近 100%。训练过程中每 10 轮打印一次平均误差，方便观察收敛曲线。可尝试的改动包括：调整num_samples增减训练样本量、修改epochs控制训练轮数、改变learning_rate（源码第 225 行传入0.1）、甚至改写generate_training_data更换决策边界（例如 y = 2x）来训练一个不同的分类器。

示例三：使用预训练模型进行图像分类

examples/03-image-classifier.ipynb 是一个 Jupyter 笔记本，展示了迁移学习（Transfer Learning）的典型用法：直接加载已经在 ImageNet 数百万张图像上训练好的MobileNetV2模型，识别图像中的物体（如猫、狗、汽车等）。

笔记本按 5 步组织：

1. 导入库：numpy、PIL.Image、requests与 TensorFlow 的 Keras 应用模块；若未安装 TensorFlow 会给出提示。
2. 加载模型：MobileNetV2(weights='imagenet', include_top=True)——include_top=True表示保留分类层，weights='imagenet'表示使用 ImageNet 预训练权重，模型可识别1000 个物体类别；首次运行需要下载权重，可能耗时一分钟左右。
3. 辅助函数：load_image_from_url()从 URL 下载图片；prepare_image()完成关键预处理——缩放到 224×224（模型期望输入尺寸）、转 numpy 数组、np.expand_dims增加 batch 维度、调用preprocess_input做 MobileNetV2 专用的归一化；classify_image()调用model.predict()并借助decode_predictions(..., top=5)将概率输出解码为人类可读的类别标签与置信度。
4. 测试样例图像：对 Unsplash 上猫、狗、汽车三张图片逐一分类，以条形图形式展示 Top 5 预测及置信度百分比。
5. 测试自定义图像：替换custom_image_url变量（默认是一张花朵照片），即可分类任意图片 URL。

笔记本末尾还给出了置信度解读标准（90–100% 非常确定、70–90% 确定、50–70% 一般、低于 50% 不确定）以及预测可能出错的原因（非常规角度或光照、图中多物体、物体不在 1000 类之内、图像模糊低质），帮助读者正确评估模型输出。

示例四：简单文本情感分析

examples/04-text-sentiment.py 展示了自然语言处理（NLP）的完整最小闭环，任务设定为：判断电影评论是正面还是负面。它不依赖重型 NLP 库，而是用一个SimpleSentimentAnalyzer类实现了三个核心 NLP 步骤：

1. 文本预处理：preprocess_text()依次做小写转换、用正则re.sub(r'[^a-z\s]', '', text)去除标点和特殊字符、按空格分词、过滤长度小于等于 2 的短词（如 "a"、"i"）。
2. 特征提取与学习：train()用collections.Counter分别统计正面与负面语料中的词频，并为每个词计算情感得分：(pos_count - neg_count) / (total + 1)，分母中的+1是平滑项，用于避免除零并缓解稀疏词频的偏差；得分大于 0 偏向正面，小于 0 偏向负面。训练后会打印最正面与最负面的各 5 个词。
3. 情感分类：analyze()对输入文本计算所有已知词得分的平均值，据此判定情感（avg_score > 0为正面，否则为负面），并将min(abs(avg_score) * 100, 100)换算为置信度百分比。

示例内置了 16 条带标签的电影评论作为训练数据（8 正 8 负，源码中create_training_data()），训练后在 6 条未见过的评论上测试，并提供了交互模式：程序会循环等待用户输入自己的评论（输入quit/exit/q退出），实时返回情感、置信度与得分。该实现直观演示了 NLP 中"从标注样本学习词的情感极性，再对新文本做分类"的朴素贝叶斯式思想，是理解词向量、嵌入等更高级 NLP 技术（见 lessons/5-NLP/README.md）的良好铺垫。提升准确率的方法包括增加训练语料、尝试分析推文/商品评论等更多场景。

推荐学习路径

按照官方建议，应按如下顺序逐个完成示例：

1. 先跑 Hello AI World——掌握模式识别与"从数据中学习"的基础概念；
2. 再构建简单神经网络——理解神经元、前向传播、反向传播与激活函数的内部机制；
3. 尝试图像分类器——观察 AI 在真实图片上的表现，理解迁移学习；
4. 最后做文本情感分析——进入自然语言处理领域。

给初学者的建议

• 仔细阅读代码注释：每个示例的注释都解释了每一行代码的意图，是比正文更重要的教材；
• 大胆实验：修改数值（权重初始化范围、学习率、epochs、样本量）并观察结果变化，这是最有效的学习方式；
• 不必强求一次全懂：学习是渐进过程，暂时不理解激活函数的导数完全正常；
• 多提问交流：遇到问题可在仓库的 Discussion 板块发起讨论，"出声学习"有助于巩固理解。

下一步与参与贡献

完成这 4 个示例后，可以进入完整课程体系继续深入：

• 课程导论与 AI 概述
• 神经网络：从感知机到深度学习框架
• 计算机视觉：卷积网络、迁移学习、目标检测与分割
• 自然语言处理：文本表示、嵌入、RNN 与 Transformer

同时欢迎为示例库贡献力量：报告问题或提出改进建议、为初学者新增更多示例、完善文档与注释。如果希望从零搭建完整运行环境并了解课程的整体教学法（项目制学习 + 课前课后测验），可进一步阅读 lessons/0-course-setup/setup.md。

记住：每一位专家都曾是初学者。祝你学习愉快！

• 教程
• 人工智能
• 机器学习
• 深度学习