简介这份微软 AI-For-Beginners 中文版课程包面向零基础到入门阶段的学习者围绕为期12周、24课的课程大纲组织内容覆盖符号人工智能、神经网络与深度学习、计算机视觉、自然语言处理、遗传算法和多智能体系统等主题帮助读者建立较完整的 AI 入门知识框架。压缩包共375个文件、约56.7MB以101张png示意图、80份md课程文档、53个ipynb笔记本为主辅以json配置、py脚本及少量html、vue页面和mp4演示兼顾阅读、动手实验与项目展示。目前已有140人学习下载适合按周推进或按主题查阅。内容强调动手实践配套测验与实验室活动并以TensorFlow、PyTorch代码阐释关键概念读者可沿课程目录完成代码练习、理解模型原理同时接触道德AI原则与知识表示、推理等传统方法。1. 先动手再补理论这份 AI 课程资源卡住的人比想象中多很多人拿到 AI 课程资源第一步是把压缩包解开、把 notebook 一口气全点开然后就没有然后了。这份 AI-For-Beginners 中文版的特别之处不在于目录有多长而在于每个模块后面都挂着能跑的练习代码讲规则推理的给一个专家系统小 demo讲感知机的给一个能画出决策边界的 notebook讲文本的给一条能换语料的分类流程。它解决的是「理论看懂、代码跑不起来」这个断裂问题适合三类人想系统补一遍经典 AI 骨架的开发者、要拿现成材料带课的讲师、以及准备面试却说不清卷积到底学了什么的人。下面按我实际跑通的顺序写先拆骨架再配环境最后把踩过的坑摊开。2. 课程骨架拆解先符号 AI 再神经网络这个顺序不是随便排的2.1 模块排布与选型理由规则系统为什么必须放在学习算法前面这门课的模块顺序是AI 导论与历史 → 知识表示 → 专家系统与推理 → 神经网络与感知机 → 计算机视觉 → 文本与自然语言处理。看起来像时间线实际上是拿「没有学习能力的智能系统」当对照组。专家系统靠人手写规则加一个推理机往前推好处是可解释、可断点调试你能指着某一条规则说「就是它把结论带偏的」神经网络靠损失函数和梯度下降中间层是一团你没法逐条读的权重。先学前者你才知道后面那个黑匣子到底替代掉了什么也才看得懂为什么「可解释性」在工程落地里会被反复拿出来讨论。这个顺序对动手也有直接影响。符号 AI 那几节的练习代码长这样一个规则字典、一个事实集合、一个前向推理循环跑起来 print 一下推理链就完事调试手段就是打断点和看日志。到了神经网络练习代码变成矩阵乘法、激活函数、反向传播出错时你看到的只有 loss 不降。两套调试习惯完全不同课程把它们前后摆开等于逼你换一次思维方式。我见过不少人直接跳到 CNN 那几节结果卡在「为什么这个 3×3 卷积核能提取边缘」上回不去也上不来血泪经验就是先把前面的对照组走完。再往下拆每个模块的练习代码形态是固定的知识表示是图搜索和状态转移神经网络是矩阵运算加梯度计算机视觉是卷积核加池化加全连接文本处理是词袋和 TF-IDF 再过渡到嵌入向量。认出这个「一个模块一种代码形态」的规律你后面看任何一个 notebook 都能在三分钟内判断出它要你改哪一行。2.2 对照目录做一张自己的进度表课程材料给的是知识点清单但清单不等于计划。我的做法是先扫一遍每个模块的 notebook看它最后输出什么一张图、一个准确率、一段推理结果再倒推需要几个小时。下面这张表是我自己排的节奏时间单位按晚自习算不是精确工时模块核心概念练习代码形态建议节奏是否必做AI 导论与历史智能的定义、流派划分几乎无代码读文档半个晚上快读读不敲知识表示状态空间、图搜索、约束搜索算法 状态转移一到两个晚上必做专家系统规则库、推理机、冲突消解规则字典 前向推理循环一到两个晚上必做神经网络与感知机权重、激活、损失、梯度手写感知机 训练循环两到三个晚上必做且要手敲计算机视觉卷积、池化、检测、分割CNN 训练 可视化特征图三个晚上起分类必做检测分割可看文本与自然语言分词、向量化、分类、嵌入文本管线 小分类器两个晚上至少跑通一条端到端表格里「是否必做」这一列是关键。带课的人容易犯的错是全部按顺序讲完结果时间全花在历史背景上真正需要动手的感知机和 CNN 反而赶进度。我的建议是历史那节当睡前读物把省下来的时间砸在梯度推导和卷积核尺寸这两处因为它们是你后面所有调试的根基。2.3 哪些模块可以快进哪些必须自己敲一遍可以快进的是偏叙述性的部分流派之争、发展脉络、以及一些应用场景的铺陈。这些内容读一遍有印象就行不值得为它开环境。必须自己敲一遍的是三类。第一类是感知机的完整训练循环从初始化权重、前向算输出、算损失、反向更新一行都不能抄抄完你不知道梯度消失长什么样。第二类是卷积核的可视化把训练前后的卷积核权重画出来对比这一步做完你对「学到的特征」才有实感。第三类是文本处理里的向量化从分词到词袋到分类器亲手跑一遍你会立刻明白为什么中文分词和英文分词是两码事。剩下的目标检测、语义分割这类偏工程整合的模块看懂数据流和接口形状就够了不必强求从头训一个模型笔记本的算力也不允许。3. 把练习代码跑起来环境、内核、数据三件事3.1 虚拟环境与依赖把「能跑」限制在一个 Python 版本上这门课的练习代码分散在几十个 notebook 里依赖跨度不小有的要深度学习框架有的只要 numpy 和 matplotlib。最省事的做法反而是最不该做的做法——直接往系统 Python 里 pip install。一旦某个框架升级带崩了旧接口你连回滚到哪个版本都不知道。我的习惯是给这门课单开一个虚拟环境名字写死别用默认的venv目录名免得和别的项目混。建好之后先升级打包工具再装依赖老版本 pip 在解析依赖冲突时给出的报错经常指向错误的包会让你往错误方向排查半小时。# 建一个只服务这门课的环境目录名固定方便以后一眼认出来 python3 -m venv .venv-ai4b source .venv-ai4b/bin/activate # Windows 换成 .venv-ai4b\Scripts\activate # 先升级打包工具老版本 pip 解析依赖冲突时的报错经常指错包 python -m pip install --upgrade pip setuptools wheel # 按课程根目录的依赖清单安装别一个个手敲 pip install -r requirements.txt # notebook 运行器和内核装进同一个环境避免内核指向系统 Python pip install jupyter ipykernel这几行里最容易被跳过的是第二行。依赖清单里通常会写tensorflowx这种宽松约束pip 会尽量挑最新版而练习代码是按当时那版写的接口签名一变notebook 第一格就崩。第三行的依赖清单如果有锁定版本带的那种优先用锁定的如果全是装完之后立刻pip freeze requirements.lock.txt存一份快照后面出问题能原样重建。3.2 内核注册与执行顺序notebook 不按顺序跑就是玄学Jupyter 最坑的地方在于它允许你跳着执行单元格而且不给你任何提示。你以为自己在跑第 5 格实际上第 3 格定义的变量还是上一次会话的残留结果当然对不上课程文档。解决办法不是靠自己记而是把环境注册成独立内核让 notebook 明确知道自己该找哪个解释器。# 把当前环境注册成独立内核名字固定Jupyter 里挑内核时不会选错 python -m ipykernel install --user --name ai4b --display-name Python (AI4B) # 确认内核已注册输出里应该能看到 ai4b jupyter kernelspec list内核名字一旦固定后面换机器、换环境的时候只要重新注册同名内核notebook 里保存的内核引用就不用改。这里有个细节notebook 文件头里记录的是内核的显示名不是路径所以你把旧环境删了但没删内核Jupyter 里还能选到它点进去就是一堆 ImportError。遇到这种「明明装了包却导入失败」的情况先跑jupyter kernelspec list看一眼八成是内核指向了一个已经不存在的解释器。执行顺序上我一般开两个窗口一个用来读课程讲解一个用来跑代码每跑完一节就 Restart Kernel and Run All 一次。慢是慢了点但能保证你看到的输出确实是这一节的代码产出的不是上一节残留的。3.3 数据落地与路径给每个 notebook 一个稳定的工作目录练习代码里读数据的路径基本都是相对路径比如./data/mnist.npz这种。相对路径的基准不是 notebook 文件所在目录而是你启动 Jupyter 时所在的目录。于是同一个 notebook从课程根目录启动能跑从 notebooks 子目录启动就 FileNotFoundError很多人第一次踩这个坑会怀疑自己下载的数据损坏了。我的处理方式是把所有数据集统一收到用户目录下一个固定的位置notebook 里改一次绝对路径后面不管从哪启动都不受影响。import os import pathlib # 先打印当前工作目录相对路径出错时第一件事就是看这个 print(cwd:, os.getcwd()) # 所有数据集统一放一个目录跨项目复用也不用每次重新下载 DATA_ROOT pathlib.Path.home() / datasets DATA_ROOT.mkdir(parentsTrue, exist_okTrue) print(data root:, DATA_ROOT) # 顺手做个体检目录里已有的数据文件有多大避免重复联网拉取 for p in sorted(DATA_ROOT.iterdir()): size_mb p.stat().st_size // 1024 // 1024 print(f{p.name:24} {size_mb:6} MB)这段代码的价值在两处。一是os.getcwd()那行 print排错时能立刻区分「路径写错」和「工作目录错」。二是目录体检深度学习数据集动辄几十上百兆训练前先确认文件在、大小合理比训练到一半报读取失败要省时间。有些 notebook 会用框架自带的数据集接口自动下载那种情况下我一般先让它下到默认缓存目录再把缓存目录软链到DATA_ROOT避免同一份数据在磁盘上存好几份。3.4 批量执行与结果留档把「跑通」变成「可复现」手动点 notebook 有个隐患你只验证了自己点过的那几个格子。课程里几十个 notebook靠手点既慢又容易漏。更稳的做法是用 nbconvert 批量跑一遍把执行结果另存成副本原始文件保持干净这样你既能确认每个 notebook 都能从头跑到尾又不会把输出污染进要分享的文件里。mkdir -p executed # 逐个执行 notebook结果写到 executed/ 下原文件不动 for nb in notebooks/*.ipynb; do jupyter nbconvert --to notebook --execute \ --ExecutePreprocessor.timeout1800 \ --output-dir executed \ $nb done--ExecutePreprocessor.timeout这个参数得看情况调。纯 numpy 的小 notebook 几分钟就跑完但涉及模型训练的默认超时很容易被触发我一般给到 1800 秒。批量执行还有个副作用某个 notebook 报错会中断整个循环所以更稳妥的写法是在循环里接一句失败日志把报错的 notebook 名记下来单独处理而不是让整个批次停在那里。跑完之后对着executed/目录数一遍文件数和notebooks/对得上才算这批练习真的通了。4. 踩坑排查仓库能克隆notebook 跑不通的五种情形4.1 依赖与内核ImportError 和内核错位现象notebook 第一格就抛ImportError: cannot import name xxx from keras但你刚确认过框架装好了。原因环境里混进了多个版本的框架或者内核指向的是系统 Python 而不是你建的那个虚拟环境。课程依赖清单里如果写的是宽松版本约束pip 很可能给你装了一个比练习代码新的版本接口被挪了位置。解决先jupyter kernelspec list确认内核路径不对就重装内核路径对的话用pip show看实际版本和练习代码里的 import 对不上就按锁定清单重装。我的原则是一个环境只装一套深度学习框架不要图省事把两套塞一起它们对底层库的版本要求经常打架。4.2 数据与路径FileNotFoundError 与下载卡住现象读取数据那格报找不到文件或者下载进度条卡在某个百分比再也不动。原因前者是 3.3 说的工作目录问题相对路径的基准和你以为的不一样。后者多半是默认下载源在当前网络下不通框架的重试逻辑又不给你明确提示。解决把数据目录改成绝对路径先把os.getcwd()打出来确认。下载卡住的话换成手动下载再放到缓存目录路径规则通常在框架文档里写得很清楚放对位置它就不会再联网。我一般习惯在训练脚本开头加一段「数据存在性检查」缺文件就直接退出并打印期望路径比跑到第三轮才炸要友好得多。4.3 图表与中文方框、空图和负号消失现象画出来的图里中文标题全是方框或者坐标轴的负号变成了一个奇怪的字符。原因matplotlib 默认字体不含中文字形遇到中文就画成缺字方块。负号的问题同理默认字体里没有对应的 unicode 字符。解决显式指定一个系统里真实存在的中文字体同时关掉 unicode 负号渲染。注意别硬写一个你机器上没有的字体名那样不报错但也不生效排查起来很费劲。import matplotlib import matplotlib.pyplot as plt from matplotlib import font_manager # 从候选字体里挑一个系统真实装了的不要硬写不存在的名字 candidates [Noto Sans CJK SC, Source Han Sans SC, SimHei, Microsoft YaHei] installed {f.name for f in font_manager.fontManager.ttflist} for name in candidates: if name in installed: matplotlib.rcParams[font.sans-serif] [name] print(using font:, name) break else: print(没有找到候选中文字体需要先装一个) # 负号走 unicode 时默认字体常缺字形关掉更稳 matplotlib.rcParams[axes.unicode_minus] Falsefont_manager.fontManager.ttflist那一步是重点它列的是当前进程实际能用的字体比fc-list之类的系统级命令更贴近 matplotlib 的真实视角。4.4 结果对不上随机种子与残留状态现象同一个 notebook 跑两遍准确率差好几个百分点或者课程文档里写着某个输出你跑出来完全不是那个数。原因一是没固定随机性权重初始化、数据打乱、dropout 都带随机二是单元格式的残留状态跳着执行导致某个变量还是上一轮的值。解决进 notebook 第一件事就是设种子并且把设种子的代码放在最顶上保证在任何模型构建和训练之前执行。import random import numpy as np def set_seed(seed: int 42) - None: 固定随机性让两次运行的指标可以对比也方便报错时复现。 random.seed(seed) np.random.seed(seed) # 框架是可选的课程里不同 notebook 用到的不一样按需补设 try: import tensorflow as tf tf.random.set_seed(seed) except ImportError: pass try: import torch torch.manual_seed(seed) except ImportError: pass set_seed(42)设完种子不代表绝对可复现GPU 上的部分算子仍有非确定性但对课程练习来说误差已经能压到可以接受的程度。残留状态那条没有捷径纪律就是每节开头 Restart Run All。4.5 训练太慢或者内存爆掉现象某个 CNN 的 notebook 跑了半小时还没到第一个 epoch或者直接 MemoryError 退出。原因练习代码默认按完整数据集和较大 batch 写而你的机器是普通笔记本另外有些 notebook 会一次性把所有图片读进内存做预处理。解决这不是 bug是资源边界。我的做法是先把样本量砍到几千条、epoch 砍到 1确认整条链路读数据 → 前向 → 算损失 → 反向 → 打印指标能走通再逐步放大。batch size 从 32 往下调到 8 往往能救回内存代价是慢一点但至少能看到训练在动。真要在本机跑完整训练先把数据预处理结果缓存成文件别每次启动都重算一遍。5. 进阶把课程 notebook 改成自己的实验模板5.1 从「能跑」到「能改」抽出配置层课程 notebook 有个通病超参数散落在各个单元格里学习率写在第 8 格epoch 写在第 12 格数据路径写在第 3 格。你想做一组对比实验得来回改好几处改漏一次结果就不可比。我的做法是每个模块跑通之后立刻做一次「抽出常量」的重构把可调的参数收进一个结构体。from dataclasses import dataclass dataclass class ExpConfig: dataset: str mnist model: str cnn epochs: int 3 batch_size: int 32 lr: float 1e-3 seed: int 42 limit: int 2000 # 先用小样本验证链路再放开到全量 # 这些字段就是课程 notebook 里散落各处的硬编码常量 # 收拢之后改实验只动一处两组结果才有可比性 cfg ExpConfig()做完这一步对比实验就变成了实例化两个ExpConfig的事跑完把结果记进一张表里哪个参数动了、指标怎么变一目了然。这一步不难难的是忍住不跳过——跳过的人做第三组实验就开始记不清基线是什么了。5.2 验证是否真的吃透三个动作判断自己有没有读懂我一般用三个动作自测任何一个做不出来就说明还在抄代码阶段。动作具体做法说明什么改数据不改代码换一份自己的小数据集只改路径和类别数你理解了数据管线的接口边界改结构不改流程把 CNN 换成两层全连接训练流程原样保留你分得清模型和训练循环的职责反向调参故意把学习率调大十倍预测并解释崩掉的现象你掌握了损失曲线的读法第三个动作最有用。学习率过大时 loss 会震荡甚至发散这个现象课程里通常会提一句但只有你自己把它跑出来下次在真实项目里看到类似的曲线才反应得过来。我一般会在 notebook 末尾加一格专门做这个「破坏性实验」跑完再改回去成本很低。最后说个我自己的教训。早些年我看这类课程习惯把 notebook 全部跑通就打勾觉得任务完成了结果三个月后被人问起卷积核尺寸对输出特征图的影响脑子里一片空白。从那以后我每次跑完一个模块都强制自己在空白文件里重写一遍核心循环不许看原代码写不出来就当没学会。这个习惯救过我很多次也希望帮到你。本文还有配套的精品资源点击获取