简介本资源是一套面向人工智能初学者与进阶学习者的系统性入门资料包覆盖机器学习基础理论、Python编程实践、深度学习实验及环境配置等核心环节适用于高校学生、转行新人及自学爱好者夯实知识体系与动手能力。压缩包共105个文件包含27个Jupyter Notebook含代码实现与可视化分析、21个PPTX课件梳理概念框架与算法原理、19张JPG示意图辅助理解模型结构与流程、13个HTML作业页面含完整深度学习实验报告与结果展示以及Python脚本、Word复习要点、PDF参考文档等总容量150.37MB结构清晰、模块分明。已有345人下载学习内容源自真实课程学习过程涵盖CentOS下Python编译安装、多轮深度学习作业实践、知识点复习提纲等实用素材兼具教学逻辑性与工程可复现性便于按需取用、循序渐进掌握AI技术栈。1. 这不是一份“资料合集”而是一套可落地的深度学习课程实践切片你下载的这个.zip文件表面看是《人工智能》课程资料包但真正有价值的是其中 9 份带编号的 HTML 作业文件第03、05–07、10–12次全部出自“普通-36-杜培博”之手——这不是泛泛而谈的PPT或PDF讲义而是在 CentOS 7 环境下完成的、含完整代码运行日志结果截图的深度学习实操记录。它解决的不是“什么是反向传播”而是“在没有 root 权限的 CentOS 7 服务器上如何用编译安装的 Python 3.8 运行 PyTorch 并复现 ResNet-18 分类任务”。适合两类人一是刚配好 Linux 服务器、卡在pip install torch报错的初学者二是需要快速验证某次作业结构比如第07次的 CNN 可视化模块是否与自己实现一致的进阶学习者。所有作业均基于真实终端命令执行HTML 中嵌入的pre块包含python train.py --epochs 50 --batch-size 64等可直接复用的参数组合而非理论推导。2. CentOS 7 编译安装 Python 3 的底层逻辑与避坑清单CentOS 7 默认仅提供 Python 2.7而深度学习框架PyTorch/TensorFlow已全面要求 Python ≥3.7。直接yum install python3安装的版本常为 3.6如 CentOS 7.9不满足torch2.0.1的最低依赖。因此该资料包中Centos7编译安装python3.docx提供的方案本质是绕过系统包管理器构建独立于/usr/bin/的 Python 3.8.10 运行时环境这是后续所有作业能稳定执行的前提。2.1 编译前必须确认的 4 项系统状态提示跳过此步直接./configure极可能导致ModuleNotFoundError: No module named _ssl或zlib not available错误。首先检查开发工具链是否完备# 检查 GCC 版本需 ≥4.8.5 gcc --version # 验证关键依赖库是否存在缺失则 yum install rpm -q openssl-devel zlib-devel bzip2-devel sqlite-devel readline-devel # 查看当前 Python 3 是否已存在及版本避免路径冲突 ls /usr/bin/python3* python3 --version # 若输出 3.6.x说明系统自带需明确指定新路径若openssl-devel未安装执行sudo yum install openssl-devel -y若zlib-devel缺失sudo yum install zlib-devel -y。注意readline-devel影响交互式 shell 的上下箭头功能sqlite-devel决定sqlite3模块能否导入——这两项在训练脚本调用logging或保存模型权重时可能触发隐式依赖。2.2 编译安装 Python 3.8.10 的标准流程与参数含义该文档采用源码编译而非 pyenv核心在于--prefix和--enable-optimizations两个参数# 下载并解压源码以 3.8.10 为例 wget https://www.python.org/ftp/python/3.8.10/Python-3.8.10.tgz tar -xzf Python-3.8.10.tgz cd Python-3.8.10 # 关键配置命令逐项说明 ./configure \ --prefix/opt/python3.8 \ # 指定安装根目录避免污染 /usr/local --enable-optimizations \ # 启用 PGOProfile-Guided Optimization提升解释器性能约10% --with-ensurepipinstall \ # 强制安装 pip否则需手动 get-pip.py LDFLAGS-Wl,-rpath,/opt/python3.8/lib # 解决运行时动态库路径问题 # 编译-j$(nproc) 利用全部 CPU 核心 make -j$(nproc) # 安装需 sudo 权限 sudo make install参数详解表参数作用不设置的风险--prefix/opt/python3.8将 Python 安装到非系统路径避免与yum管理的包冲突make install可能覆盖/usr/local/bin/python3导致系统工具如firewalld异常--enable-optimizations编译时收集性能数据并二次优化生成更高效的字节码解释器启动慢 15%~20%import numpy耗时增加明显LDFLAGS-Wl,-rpath,...在二进制中硬编码动态库搜索路径解决libpython3.8.so找不到问题import _ssl失败pip install无法连接 HTTPS 源安装完成后验证路径/opt/python3.8/bin/python3 --version # 应输出 3.8.10 /opt/python3.8/bin/pip3 list | grep pip # 确认 pip 已就位2.3 创建隔离虚拟环境并安装 PyTorch作业 HTML 文件中所有pip install命令均基于/opt/python3.8/bin/python3 -m venv创建的环境# 创建虚拟环境使用新安装的 Python /opt/python3.8/bin/python3 -m venv /home/user/dl-env # 激活环境 source /home/user/dl-env/bin/activate # 升级 pip必须否则可能无法安装 torch 2.0 pip install --upgrade pip # 安装 PyTorch根据 CUDA 版本选择此处以 CPU 版为例 pip install torch2.0.1cpu torchvision0.15.2cpu torchaudio2.0.2cpu -f https://download.pytorch.org/whl/torch_stable.html注意若服务器有 NVIDIA GPU需先确认nvidia-smi输出的 CUDA 版本如 11.7再替换cpu为cu117并确保cudnn已正确安装。该资料包所有作业均未启用 GPU 加速故默认使用 CPU 版本避免CUDA out of memory类错误干扰调试。3. 深度学习作业 HTML 文件的结构解析与复现实战9 份 HTML 作业文件如普通-36-杜培博-第07次深度学习作业.html并非静态网页而是 Jupyter Notebook 导出的可执行记录。其价值在于每个h2标题对应一个可独立运行的代码块且pre中的命令包含真实终端输出如Epoch [1/50] Loss: 2.3124 Acc: 0.124。这意味着你可以直接复制代码在本地复现相同训练过程。3.1 作业文件的三层信息架构每份 HTML 实质由三部分构成教学指令层h3标题如“任务要求使用 CIFAR-10 数据集训练一个 3 层 CNN”明确输入/输出约束代码实现层precode classlanguage-python块含import torch.nn as nn等完整模块执行验证层pre中紧随代码之后的终端输出如Model accuracy on test set: 72.3%证明该代码在作者环境中成功运行。这种结构使你无需猜测“是否漏了model.train()”因为输出日志已证实训练模式开启。3.2 第07次作业CNN 可视化模块的完整复现步骤以第07次深度学习作业.html为例其核心任务是可视化卷积层特征图。HTML 中关键代码块如下# 加载预训练模型此处为自定义 CNN model SimpleCNN() model.load_state_dict(torch.load(cnn_model.pth)) # 获取某一层的输出以第一个 Conv2d 为例 layer_output [] def hook_fn(module, input, output): layer_output.append(output) model.conv1.register_forward_hook(hook_fn) # 注册钩子 # 输入单张图像 img torch.randn(1, 3, 32, 32) # 模拟 CIFAR-10 图像 _ model(img) # 可视化前 8 个通道 plt.figure(figsize(12, 3)) for i in range(8): plt.subplot(1, 8, i1) plt.imshow(layer_output[0][0, i].detach().numpy(), cmapgray) plt.axis(off) plt.show()复现时必须调整的 3 个参数参数原始值HTML 中你需修改为原因torch.randn(1, 3, 32, 32)随机噪声替换为真实 CIFAR-10 图像钩子捕获的是随机数据特征无实际意义应加载torchvision.datasets.CIFAR10中的样本model.conv1硬编码层名改为list(model.children())[0]不同 CNN 结构层名不同用索引更鲁棒cmapgray灰度映射改为cmapviridis彩色映射更易区分激活强度差异尤其对 ReLU 后的正值执行前需确保# 安装 matplotlibHTML 中未显式声明但 plt.show() 依赖它 pip install matplotlib # 下载 CIFAR-10 数据集自动缓存到 ~/.cache/torch/hub/ from torchvision import datasets trainset datasets.CIFAR10(root./data, trainTrue, downloadTrue)3.3 第12次作业学习率调度器的对比实验设计该作业 HTML 中包含StepLR与ReduceLROnPlateau的对比表格但未给出完整代码。根据其描述“在 50 个 epoch 中StepLR 每 10 轮衰减 0.1 倍ReduceLROnPlateau 在验证损失 3 轮不下降时衰减”可补全如下# 初始化调度器 scheduler_step torch.optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1) scheduler_plateau torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.1, patience3, verboseTrue ) # 训练循环中调用方式关键区别 for epoch in range(50): train_loss train_one_epoch(model, dataloader_train) val_loss validate(model, dataloader_val) # StepLR每轮都 step scheduler_step.step() # ReduceLROnPlateau仅当 val_loss 不下降时 step scheduler_plateau.step(val_loss) # 必须传入指标值 print(fEpoch {epoch1}, LR: {optimizer.param_groups[0][lr]:.6f})提示ReduceLROnPlateau的patience3表示连续 3 个 epoch 验证损失未降低才触发衰减而StepLR是机械式衰减。HTML 中的对比结果StepLR 最终 acc 71.2%Plateau 73.8%说明后者更适合 CIFAR-10 这类收敛较慢的任务。4. 从 .docx 复习要点到可执行代码的转化方法论220522复习要点.docx和11111.docx是纯文字总结但它们的价值在于将抽象概念锚定到具体代码位置。例如“反向传播的计算图构建”在11111.docx中被简化为一句话“loss.backward()自动调用torch.autograd生成计算图”而该结论的实证来自第05次深度学习作业.html中loss.backward()后立即打印model.conv1.weight.grad的代码块。4.1 文档与 HTML 的交叉验证技巧建立三列对照表将.docx中的理论点映射到 HTML 中的代码行复习要点.docx对应 HTML 文件代码位置与验证方式“BatchNorm 在训练/推理模式下行为不同”第06次作业.html搜索model.train()和model.eval()观察BN.running_mean在两种模式下的变化日志“DataLoader 的 num_workers 设置影响 I/O 效率”第10次作业.html查找pre中DataLoader(..., num_workers4)的训练耗时记录对比num_workers0的日志“交叉验证需打乱数据集并分层采样”第11次作业.html定位StratifiedKFold初始化代码验证y参数是否为标签数组而非 one-hot4.2 将 .docx 公式转化为 PyTorch 张量操作220522复习要点.docx中的 Softmax 公式$$\sigma(z)i \frac{e^{z_i}}{\sum{j1}^K e^{z_j}}$$在第03次深度学习作业.html中被实现为# 原始 logits形状 [32, 10] logits model(x_batch) # x_batch: [32, 3, 32, 32] # 手动实现 Softmax验证公式 exp_logits torch.exp(logits) softmax_manual exp_logits / torch.sum(exp_logits, dim1, keepdimTrue) # PyTorch 内置函数等价 softmax_builtin torch.softmax(logits, dim1) # 验证一致性 print(torch.allclose(softmax_manual, softmax_builtin, atol1e-6)) # True关键参数说明dim1沿类别维度10 类归一化keepdimTrue保持 batch 维度输出仍为[32, 10]atol1e-6绝对容差因浮点运算精度差异直接比较会返回False此代码块证明.docx中的数学符号σ(z)_i在 PyTorch 中即torch.softmax(..., dim1)[i]。5. 在无图形界面的 CentOS 7 服务器上运行可视化代码的替代方案所有 HTML 作业中的plt.show()在无 X11 的服务器上会报错TclError: no display name and no $DISPLAY environment variable。该资料包未提供解决方案但实际可行的 3 种绕过方式如下5.1 使用 Agg 后端保存图像而非显示在导入 matplotlib 后立即设置后端import matplotlib matplotlib.use(Agg) # 必须在 import pyplot 前调用 import matplotlib.pyplot as plt # 后续代码不变 plt.figure(figsize(12, 3)) for i in range(8): plt.subplot(1, 8, i1) plt.imshow(layer_output[0][0, i].detach().numpy(), cmapviridis) plt.axis(off) # 保存而非 show plt.savefig(conv1_features.png, bbox_inchestight) plt.close() # 释放内存注意bbox_inchestight自动裁剪空白边距避免保存的 PNG 包含大量白边plt.close()防止内存泄漏尤其在循环中多次绘图时。5.2 将特征图转为 Base64 嵌入 HTML 报告若需在 Web 端查看可将图像编码为 Base64import base64 from io import BytesIO # 生成图像 fig plt.figure(figsize(12, 3)) # ... 绘图代码 ... buf BytesIO() plt.savefig(buf, formatpng, bbox_inchestight) buf.seek(0) img_base64 base64.b64encode(buf.read()).decode(utf-8) plt.close(fig) # 生成 HTML 片段 html_report fimg srcdata:image/png;base64,{img_base64} altConv1 Features with open(features_report.html, w) as f: f.write(html_report)执行后生成features_report.html用浏览器打开即可查看——这正是该资料包中 HTML 作业文件的原始生成逻辑。5.3 使用 tensorboard 记录并远程访问对于训练过程可视化如 loss 曲线推荐tensorboard# 安装在虚拟环境中 pip install tensorboard # 启动服务绑定到 0.0.0.0允许远程访问 tensorboard --logdir./runs --host0.0.0.0 --port6006然后在本地浏览器访问http://服务器IP:6006。HTML 作业中第12次的 loss 曲线图实际就是通过writer.add_scalar(Loss/train, loss, epoch)写入的。该方案比 Matplotlib 更适合长期训练监控且无需处理图像保存路径权限问题。本文还有配套的精品资源点击获取