简介微软 AI-For-Beginners中文版是一套面向零基础学习者、转行开发者与教学者的系统人工智能入门课程包按12周24课的教学大纲编排从符号人工智能的知识表示与推理讲起延伸至神经网络与深度学习、计算机视觉、自然语言处理并涉及遗传算法、多智能体系统等较少见的方法每课配有练习代码与测验。包内共375个文件以101张png与17张jpg图示、80个md课程讲义、53个ipynb交互式Notebook为主体另有32个json配置、9个py脚本、4个vue与4个html页面及少量mp4演示视频压缩包约56.7MB目录按课程模块分层组织便于逐课跟练。已有140人学习下载。深度学习部分用TensorFlow与PyTorch双框架示例对照讲解Notebook可直接运行调试配合讲义中的实验活动能边学边验证道德AI原则、训练技巧等内容另设独立章节适合作为自学路线或课堂教学参考。1. 卡在“看得懂却写不出”的那道坎上学 AI 最难受的阶段不是公式看不懂而是视频看完、推导也跟上了打开编辑器却连一个能跑起来的训练循环都写不出来。这份大厂开源、带中文翻译和配套练习代码的 AI 入门课程就是用来衔接这段断层的每一讲都配一份可执行的 Notebook概念讲完立刻给一个能跑的最小实验从符号推理、神经网络基础一路铺到图像分类和文本处理的实战模型。它的定位既不是论文导读也不是调包速成课。课程重心放在“这条链路为什么这么设计”上因此对想建立完整认知的人价值最大。适合会一点 Python、想动手复现的在校生和转岗开发者也适合培训讲师拿它当课件底稿。接下来按“课程骨架 → 核心代码 → 怎么跑起来 → 常见问题 → 二次开发”的顺序拆。中间几段代码都是从课程练习里抽出来的最小骨架可以直接抄进自己的实验目录。2. 课程骨架拆解一份讲义、一份 Notebook、一份作业的组合结构先说清这套资源是什么形态。它不是一本 PDF 教材也不是一堆散装的 ipynb而是一个按主题分单元的仓库型课程每个单元一个目录目录里通常三件套讲义 README、课堂演示 notebook、课后作业 notebook部分单元再带一份参考答案。这套三件套的结构决定了你怎么用它也直接决定后面会遇到哪些问题。讲义负责讲“为什么”演示 notebook 负责讲“长什么样”作业 notebook 负责让你自己写一遍。我见过太多人只读讲义不跑 notebook结果一周后忘干净也见过只跑不改的跑完还是不会自己搭。2.1 目录结构拿到仓库先看这四层不用急着装环境先花十分钟把目录扫一遍心里有张地图后面找数据和改代码会省很多时间。我拿到手的中文版大致是下面这个结构ai-course-zh/ ├── lessons/ │ ├── 01-intro-and-history/ │ │ ├── README.md # 讲义正文中文译文 │ │ ├── notebook.ipynb # 课堂演示边讲边跑 │ │ └── assignment.ipynb # 课后作业留空待填 │ ├── 02-symbolic-ai/ # 专家系统、知识表示 │ ├── 03-neural-networks/ # 感知机、多层网络、训练技巧 │ ├── 04-computer-vision/ # 卷积、迁移学习、检测与分割 │ ├── 05-nlp/ # 文本预处理、词袋、词向量、序列模型 │ └── 06-ethics-and-frontier/ # 伦理、强化学习、生成模型概览 ├── translations/ # 各语种译文中文版主要改这里 ├── requirements.txt # 全课程依赖注意它不一定锁版本 └── data/ # 小数据集大数据集运行时下载看这个结构有几个点值得注意。第一lessons下每个目录相互独立你完全可以只跑第四章的图像部分不用管前面几章这对时间碎片化的人很友好。第二translations目录说明中文版主要是译文层的改动notebook 里的代码基本保持原样所以中文版一样会遇到英文课程里的环境问题只是讲义好读了。第三requirements.txt往往只写包名不锁版本这是后面踩坑的高发区我在第 5 章会专门讲。如果你想按周排学习计划我的建议是按目录顺序走但把 02 符号 AI 那段当成选学内容。它对你理解后面的神经网络没有直接帮助但对理解“专家系统为什么会退潮”很有价值讲课时是很好的铺垫材料。2.2 技术栈选型Jupyter 加双框架的取舍这套课程的技术栈非常“教学友好”Python 3 Jupyter Notebook 作为载体深度学习部分同时给了两套实现一套基于 Keras/TensorFlow一套基于 PyTorch配套还有 scikit-learn、matplotlib、NumPy图像部分会用 OpenCV文本部分会用到分词和向量化工具。为什么用 Notebook 而不是普通 .py 脚本因为教学场景需要图文同屏。一张卷积核滑过特征图的示意图紧跟一段能打印出中间张量形状的代码这个组合用脚本很难做到。Notebook 还有个隐性好处输出单元格会保留你跑完一次之后即使忘了细节翻回去还能看到当时的结果。代价也很明确Notebook 有隐含状态。单元格可以跳着执行变量可以带着上一次的残留值继续跑所以你看到的结果不一定是“从零开始”的结果。这是新手最容易产生的误解明明代码一模一样为什么我跑出来的准确率和你不一样大概率是你上面的某个单元格没执行或者执行了两遍。至于双框架我的用法是主跟一套另一套只看。选 PyTorch 还是 Keras 看你后续要做什么。要做研究和自定义结构PyTorch 的调试体验更顺要快速搭原型给别人演示Keras 的 API 更短。两套都读一遍的价值在于你能看到同一个概念在不同抽象层级上的表达方式比如“冻结骨干网络只训练分类头”在 Keras 里是trainable False在 PyTorch 里是遍历参数改requires_grad用途一样写法完全不同。提示如果你只打算跑通不打算深入别在双框架之间反复横跳。选定一套把另一套的代码当成对照阅读材料遇到不懂的 API 再回去查效率高得多。3. 核心模块拆解四个实验看完整链路课程的练习代码很多但真正撑起整条学习曲线的是四类实验规则推理、训练循环、卷积分类、文本向量化。把它们拆开看你就知道这套课程的代码密度大概在什么水平也能判断自己需要补哪块。下面几段都是从课程练习里抽出来的最小骨架我做过删减去掉跟具体数据集绑定的部分只保留结构。你可以直接放进自己的实验目录跑。3.1 符号 AI一个前向链推理引擎课程在符号 AI 那一单元会用一个很小的规则推理例子讲清“知识表示”和“推理”是两件事。这段代码不长但它是整门课里唯一不涉及梯度的部分很适合用来热身。class Rule: 一条规则前提条件全部满足时推出结论 def __init__(self, conds, conclusion, name): self.conds set(conds) self.conclusion conclusion self.name name or conclusion def forward_chain(facts, rules, max_iter50): facts: 初始事实集合例如 {有羽毛, 会飞, 下蛋} rules: Rule 列表 返回推导后的事实集合 触发过的规则名列表 facts set(facts) fired [] for _ in range(max_iter): # 防止规则互相推导导致死循环 hit None for r in rules: # 条件全部已知且结论还未出现过才触发 if r.conclusion not in facts and r.conds facts: hit r break if hit is None: # 没有新规则可触发推理结束 break facts.add(hit.conclusion) fired.append(hit.name) return facts, fired rules [ Rule({有羽毛, 会飞}, 是鸟类, 规则1), Rule({是鸟类, 不会飞}, 可能是企鹅, 规则2), ] facts, fired forward_chain({有羽毛, 会飞, 不会飞}, rules) print(facts, fired)这段的逻辑是典型的前向链从已知事实出发反复扫描规则库只要某条规则的前提被满足且结论尚未存在就把结论加进事实集直到没有新事实产生。max_iter是保护参数防止规则集里存在循环依赖时无限推下去一般设成规则条数的两三倍足够。conds facts用的是集合包含判断要求前提全部命中不是任意命中。这段代码有个隐藏问题值得注意{有羽毛,会飞,不会飞}这组事实本身是矛盾的引擎不会报错只会继续推出“是鸟类”和“可能是企鹅”。真实系统里事实一致性校验要单独做一层这是课程里没有展开但实际工程必须补的部分。3.2 神经网络把一个训练循环拆成五段看神经网络那一单元的演示代码会从单个感知机讲到多层网络。真正值得反复看的是训练循环几乎所有后续实验都是它的变体。下面这段是 PyTorch 版本import torch def train_one_epoch(model, loader, optimizer, criterion, device): model.train() # 切到训练模式影响 Dropout/BatchNorm total_loss, correct, seen 0.0, 0, 0 for x, y in loader: x, y x.to(device), y.to(device) optimizer.zero_grad() # 必须清梯度否则会跨 batch 累加 logits model(x) loss criterion(logits, y) loss.backward() # 反向传播算出每个参数的梯度 optimizer.step() # 按优化器策略更新参数 total_loss loss.item() * y.size(0) correct (logits.argmax(1) y).sum().item() seen y.size(0) return total_loss / seen, correct / seen五段分别是模式切换、清零梯度、前向、反向、更新。新手最容易漏的是optimizer.zero_grad()漏了之后梯度会在 batch 之间累积训练曲线看着在降但学到的东西是错的这种血泪经验基本人人都交过一次学费。loss.item() * y.size(0)这里乘 batch 大小是为了让最后一个不满批的 batch 也按样本数加权算出来的平均损失才准确。如果直接对 batch 损失取平均最后一个小 batch 会被过度放大。correct同理按样本计数而不是按 batch 计数。device这个参数是给 GPU 用的课程里大部分小实验用 CPU 就够。判断标准很简单单次 epoch 超过两三分钟才考虑上 GPU否则数据搬运的开销比计算还大。3.3 图像分类卷积网络与迁移学习的两段代码计算机视觉单元的代码量最大但结构高度重复加载数据、定义模型、训练、评估、可视化。真正有区分度的是迁移学习那一段因为它引入了“冻结”这个概念。import torchvision.models as models from torch import nn def build_model(num_classes10, freezeTrue): # weightsNone 方便离线环境联网时可换成预训练权重 model models.resnet18(weightsNone) if freeze: for p in model.parameters(): p.requires_grad False # 冻结骨干只训练分类头 model.fc nn.Linear(model.fc.in_features, num_classes) return model参数说明num_classes要跟你的数据集类别数对齐课程示例里常见的是 10 类手写数字或服饰freeze控制是否冻结骨干网络。冻结之后只有最后那个全连接层参与梯度更新训练速度快一个数量级小数据集上也不容易过拟合。解冻的时机一般是分类头收敛之后用很小的学习率整体微调比如 1e-4 或更低。这里有个容易被忽略的细节替换model.fc必须在冻结之后做否则新建的分类层也会被冻上训练一轮损失纹丝不动。我第一次就犯过这个低级错误盯着日志看了半小时才反应过来。课程里还会有目标检测和语义分割的演示那部分代码依赖较大跑之前先确认显存这部分我在第 5 章会讲怎么估。3.4 文本处理从词袋到词向量的对比实验自然语言处理单元会用同一个文本分类任务分别跑词袋和词向量两种表示让你直观看到差异。词袋那段代码很短from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.pipeline import make_pipeline # 中文语料务必先分词用空格拼回去否则 TF-IDF 会把整句当一个 token def build_baseline(): return make_pipeline( TfidfVectorizer(max_features5000, ngram_range(1, 2)), LogisticRegression(max_iter1000) )max_features5000控制词表规模太大容易过拟合小语料ngram_range(1,2)表示同时取单词和二元词组对短文本分类提升明显。这个基线的好处是训练只要几秒你可以拿它当对照组之后换词向量模型时如果效果还不如它说明问题出在数据处理而不是模型上。中文版在这里有个绕不开的点原课程的文本预处理假设是英文按空格切词就行。中文语料必须先分词接一层分词器再把结果用空格连起来喂给向量化器。这一步不做后面所有指标都没意义。注意课程里的词向量演示多为预训练模型加载涉及下载。离线环境可以先跳过这一节把词袋基线跑通等网络方便时再补。4. 把课程跑起来环境、数据、执行顺序环境这块我的原则是课程仓库一律用独立虚拟环境不跟系统 Python 混。原因很实际这种教学仓库的依赖通常很宽跟别的项目共享环境两个月后你回来想重跑依赖已经被别的项目升级掉了。4.1 环境搭建三条命令加一个内核# 1) 建独立环境Python 3.10 兼容性最好 python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate # 2) 装依赖先装课程自带的清单 pip install -r requirements.txt pip install jupyter ipykernel # Notebook 本体和内核管理 # 3) 把虚拟环境注册成 Jupyter 内核避免选错解释器 python -m ipykernel install --user --name ai-course --display-name Python (ai-course)这三步里第三步最容易被省掉后果是打开 notebook 后默认选中的是某个全局内核import一路报错。注册成命名内核之后你在任何 notebook 里都能手动切到它问题一眼就能定位。关于 Python 版本3.9 到 3.11 一般都没问题但别用太新的版本教学仓库的依赖往往没跟上。如果requirements.txt装到一半失败先看是哪个包报错再单独处理不要一把梭升级所有包那样会引入新的不兼容。4.2 数据落位先看清是随仓库还是运行时下载课程里的数据集分两类。小数据集比如手写数字、小型文本语料通常随仓库带或者由框架内置下载函数拉取大数据集比如检测和分割用的图像集一般是运行时下载几个 GB 起步。处理方式不一样。随仓库带的数据确认路径跟 notebook 里的相对路径对上就行常见写法是../data/xxx你在子目录里打开 notebook 时路径基准会变这是路径报错的主要原因。运行时下载的数据第一次跑需要网络下载完一般缓存在用户目录比如~/.keras/datasets或~/.cache/torch第二次就快了。想省事可以提前手动下好放到缓存目录对应位置。我一般会在课程根目录放一个check_env.py跑一遍确认关键依赖和数据是否就位import importlib, os REQUIRED [numpy, pandas, matplotlib, sklearn, torch, torchvision] for name in REQUIRED: try: m importlib.import_module(name) print(f[OK] {name:12s} {getattr(m, __version__, n/a)}) except Exception as e: print(f[FAIL] {name:12s} {e}) # 顺手检查数据目录是否存在 for p in [data, lessons/04-computer-vision/data]: print(([OK] if os.path.exists(p) else [MISS] ) p)这段脚本的价值不在技术含量而在于把“环境问题”和“代码问题”分开。报错的时候先跑它依赖齐了再去看 notebook能省掉大量瞎猜。4.3 执行顺序从第一个单元格开始别跳着跑Notebook 的执行顺序是这类课程最大的隐形成本。讲义里写着“运行下面的单元格查看结果”但那个单元格依赖上面某个定义变量的单元格你从中间开始跑就会遇到NameError。我的做法是每打开一个新 notebook先Kernel → Restart Run All让它从头到尾跑一遍。跑通了说明环境和数据都没问题再回头按讲义节奏逐段看。跑不通报错位置就是你要解决的第一个问题比东点一下西点一下高效得多。批量验证的话命令行里可以这样跑只执行不打开界面# 把整个单元目录跑一遍输出写到临时文件方便看是哪一步失败 jupyter nbconvert --to notebook --execute \ lessons/03-neural-networks/notebook.ipynb \ --output /tmp/out.ipynb \ --ExecutePreprocessor.timeout600--ExecutePreprocessor.timeout默认是 30 秒训练类 notebook 肯定不够按你的数据规模调600 秒是个比较稳的起点。--output指定输出路径避免覆盖原始文件这个细节很重要课程原始 notebook 是你的参照物跑坏了不好恢复。5. 排查清单五类让 Notebook 中途崩掉的坑下面这几条都是我自己和身边人真实撞过的按“现象、原因、解决”写遇到问题可以直接对号入座。5.1 内核直接挂掉没有任何 Python 报错现象跑到训练那一段单元格显示Kernel died或者内核重启日志里没有 traceback。原因基本都是内存或显存被打满。课程里卷积和检测那几节的默认 batch size 是按有 GPU 的机器设的你拿 8G 内存的笔记本跑操作系统会直接杀掉进程所以看不到 Python 层异常。解决先把 batch size 降到 8 或 4 再试图像尺寸也从 224 往下降到 128。PyTorch 里可以在训练前打印torch.cuda.memory_allocated()观察增长纯 CPU 环境用系统任务管理器看内存曲线。如果降了还是崩检查是不是数据集整个被读进内存了改成DataLoader流式加载。5.2 ModuleNotFoundError明明装过现象import torch报找不到模块但终端里pip list明明有。原因Jupyter 用的内核和你装包的终端不是同一个 Python 环境。常见于没注册内核、或者用系统 pip 装了包但 notebook 跑在虚拟环境里。解决在 notebook 里执行import sys; print(sys.executable)看它指向哪个解释器。如果不是你的虚拟环境路径说明内核选错了按 4.1 的方式注册命名内核再切过去。另外notebook 里临时装包可以在命令前加!比如!pip install xxx但这样装进的是当前内核的环境容易让环境越来越乱我一般只在临时调试时这么做。5.3 数据集下载失败或路径找不到现象FileNotFoundError或者下载函数卡住、返回 403。原因有三类路径相对基准变了、下载源在某网络环境下不稳定、缓存目录权限不够。解决先把 notebook 里拼路径的那行改成绝对路径试一次能跑通就是路径基准问题。下载类问题优先手动下载放到缓存目录Keras 缓存在~/.keras/datasetsPyTorch 的 torchvision 一般在~/.cache/torch/hub/checkpoints。放进去之后重跑框架会跳过下载直接用本地文件。5.4 同样的代码两次跑出来的准确率差很多现象每次Run All结果都不一样浮动能有十几个百分点。原因随机种子没固定包括 Python 的random、NumPy 的、框架自己的还有数据加载时的 shuffle。另外 Notebook 的残留状态也会干扰比如上一次训练定义的模型对象还在内存里。解决训练脚本开头统一设种子并且每次实验前重启内核。import random, numpy as np, torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True # 牺牲一点速度换可复现 torch.backends.cudnn.benchmark False注意deterministic True会让卷积变慢只在需要严格复现时开日常调参可以关掉。5.5 中文文本实验效果异常差现象文本分类那一节换中文语料后准确率接近随机猜。原因预处理流程还是英文那一套按空格切词整句变成一个 token词表几乎没信息量或者停用词表用的英文表对中文没作用。解决在向量化之前插一层分词把结果用空格连起来再走原来的 TF-IDF 或词向量流程。分词粒度按任务定短文本分类用词级一般够长文本可以试字级。改完先看词表大小和前二十个高频词如果高频词全是标点和“的”“了”说明停用词没处理补一张中文停用词表再跑。提示这五类问题里前四类跟语言无关第五类是中文版特有的。如果你在跑英文原版可以跳过最后一条。6. 二次开发把课程代码改造成自己的实验模板课程代码是为教学写的变量名直白、结构扁平、参数写死在单元格里直接拿来跑自己的数据会很别扭。我的做法是把它拆成三层数据层、模型层、实验层然后用一个配置文件把参数抽出去。具体改造点有三个。第一把每个 notebook 里的数据加载逻辑抽成datasets.py统一出入口换数据集只改这一处。第二模型定义抽成models.py用工厂函数按名字返回方便横向对比。第三训练循环抽成train.py接收配置字典输出指标和检查点。配置化之后一次实验就是一份 YAML# experiments/cnn_baseline.yaml 的读取与合并 import yaml BASE {seed: 42, epochs: 10, batch_size: 32, lr: 1e-3, img_size: 128} def load_config(path): with open(path, r, encodingutf-8) as f: cfg yaml.safe_load(f) or {} merged {**BASE, **cfg} # 文件里的键覆盖默认值 return merged # 用法cfg load_config(experiments/cnn_baseline.yaml)这样改的好处很直接跑十组对照实验你只需要改 YAML 里的一个数字不用回到 notebook 里翻单元格找那行lr 0.001。实验记录也好写配置文件和指标一起存三个月后回来看还能复现。验证改造是否成功我的标准是三条。换一次数据集能不能只改配置就跑通同一个配置跑两遍指标是否一致把某个模块替换成等价实现接口是否不用动。三条都过说明抽象层次合适了。改造项改造前改造后收益数据加载散落各单元格统一 datasets.py换数据集改一处超参数硬编码YAML 配置合并对照实验成本降低训练循环每节复制一份单一 train.py修 bug 只修一次结果记录看单元格输出指标写文件可回溯可对比最后说个教训。我早期做这类课程改造喜欢一边读一边就地改 notebook改到最后原始版本被我覆盖了想对照原始实现都找不到只能去重新拉一份。从那以后我每次动课程代码前都先把原始 notebook 复制一份到baseline/目录改成什么样都留着对照跑不通就退回去看原版到底怎么写的。这个习惯看着笨救过我很多次。希望帮到你。本文还有配套的精品资源点击获取