AI 入门，从零搭建完整 AI 开发环境，并写出第一个 AI 应用

在本文中，我们从零开始，一步步搭建了一个完整的AI开发环境，并创建了一个简单的AI应用。您学习了如何安装Python、Anaconda、TensorFlow，以及如何使用Jupyter Notebook进行开发。通过这个简单的手写数字识别应用，您不仅学习了AI的基本概念，还亲身体验了AI的应用。AI是一个广阔而充满机遇的领域，希望这个教程能够激发您继续深入学习和探索AI的兴趣。

学编程的头没秃

10624人浏览 · 2024-04-10 11:02:43

学编程的头没秃 · 2024-04-10 11:02:43 发布

人工智能（AI）是当今科技领域中备受瞩目的领域之一，它正在改变我们的生活方式、工作方式以及与技术互动的方式。本文将带您从零开始，一步步搭建一个完整的AI开发环境，并创建一个简单的AI应用程序，以便您能够亲身体验AI的魅力。

第一部分：准备工作

在开始之前，我们需要做一些准备工作。这包括安装必要的工具和设置开发环境。

1.1. 安装Python

Python是AI领域的首选编程语言之一，我们将使用Python来编写我们的AI应用。您可以从Python官方网站（https://www.python.org/）下载并安装最新版本的Python。

安装完成后，您可以在命令行中运行以下命令来验证Python是否正确安装：

python --version

1.2. 安装Anaconda

Anaconda是一个强大的Python数据科学和机器学习平台，它包含了许多常用的数据科学工具和库。您可以从Anaconda官方网站（https://www.anaconda.com/）下载并安装Anaconda。

1.3. 创建虚拟环境

为了隔离不同项目的依赖关系，我们建议在Anaconda中创建一个虚拟环境。使用以下命令创建一个名为ai_env的虚拟环境：

conda create --name ai_env python=3.8

然后激活虚拟环境：

conda activate ai_env

1.4. 安装Jupyter Notebook

Jupyter Notebook是一个交互式开发环境，非常适合探索数据和编写代码。在激活虚拟环境后，运行以下命令来安装Jupyter Notebook：

conda install jupyter

现在，我们已经完成了准备工作，可以开始构建我们的第一个AI应用了。

第二部分：创建一个简单的AI应用

我们将创建一个简单的AI应用，该应用可以识别手写数字。我们将使用Python和一个流行的深度学习框架——TensorFlow来构建这个应用。

2.1. 安装TensorFlow

在激活虚拟环境后，运行以下命令来安装TensorFlow：

conda install tensorflow

2.2. 导入必要的库

首先，打开Jupyter Notebook并创建一个新的Notebook。在Notebook中，导入以下必要的库：

import tensorflow as tf   from tensorflow import keras   import matplotlib.pyplot as plt

2.3. 加载数据集

我们将使用MNIST手写数字数据集，该数据集包含了大量的手写数字图像以及它们对应的标签。运行以下代码来加载数据集：

mnist = keras.datasets.mnist   (train_images, train_labels), (test_images, test_labels) = mnist.load_data()

2.4. 数据预处理

在构建模型之前，我们需要对数据进行一些预处理。运行以下代码将图像数据归一化到0到1之间：

train_images = train_images / 255.0   test_images = test_images / 255.0

2.5. 构建神经网络模型

我们将创建一个简单的神经网络模型，包含一个输入层、一个隐藏层和一个输出层。运行以下代码来构建模型：

model = keras.Sequential([       keras.layers.Flatten(input_shape=(28, 28)),       keras.layers.Dense(128, activation='relu'),       keras.layers.Dense(10, activation='softmax')   ])

2.6. 编译模型

编译模型时，我们需要指定损失函数、优化器和评估指标。运行以下代码来编译模型：

model.compile(optimizer='adam',                 loss='sparse_categorical_crossentropy',                 metrics=['accuracy'])

2.7. 训练模型

现在，我们可以开始训练模型了。运行以下代码来训练模型：

model.fit(train_images, train_labels, epochs=5)

2.8. 评估模型

训练完成后，我们可以使用测试集来评估模型的性能。运行以下代码来评估模型：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)   print('\nTest accuracy:', test_acc)

2.9. 使用模型进行预测

最后，我们可以使用训练好的模型来进行预测。运行以下代码来进行预测：

predictions = model.predict(test_images)

您可以通过以下代码来查看预测结果：

print(predictions[0])

第三部分：实际应用案例

现在，您已经成功地创建了一个简单的AI应用，可以识别手写数字。这个应用虽然简单，但展示了AI的强大能力。以下是一些实际应用案例：

3.1. 手写数字识别

您可以将这个应用扩展到更大规模的手写数字识别问题，用于自动识别邮政编码、银行支票号码等。

3.2. 图像分类

使用类似的方法，您可以构建图像分类模型，用于识别不同种类的图像，如动物、植物、交通标志等。

3.3. 自然语言处理

除了图像识别，TensorFlow

还提供了自然语言处理（NLP）的功能，您可以构建文本分类、情感分析、机器翻译等应用。

总结

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-