当前位置：首页 > news >正文

人工智能学习框架入门教程（一）

news 来源：原创 2025/5/18 23:44:21

人工智能（AI）学习框架是指为开发、训练和部署人工智能模型提供的结构化工具和环境。它们帮助开发者实现AI项目的高效性、可扩展性、可维护性，并提供了优化算法、模型训练、评估、调优等功能。根据任务的不同，人工智能框架可以分为多个类别，例如深度学习框架、机器学习框架、强化学习框架等。

下面是一些常用的人工智能学习框架，以及它们的特点和使用场景：

1. 深度学习框架

深度学习是人工智能中的一个重要分支，它使用多层神经网络来进行特征提取、模式识别和决策。以下是一些最流行的深度学习框架：

1.1 TensorFlow

机器学习框架主要用于传统的机器学习算法，能够帮助你构建、评估和优化模型，常用于分类、回归、聚类等任务。

2.1 Scikit-learn

简介：TensorFlow 是由 Google 开发的开源深度学习框架，它具有强大的分布式训练和部署能力，支持多种硬件（如 CPU、GPU、TPU）加速，并适用于从小规模到大规模的 AI 模型开发。
特点：
- 强大的跨平台支持（PC、手机、云、嵌入式设备）
- 自动微分和优化器
- 丰富的API和支持的模型（如 Keras、TF Lite、TensorFlow.js）
- 支持分布式训练
使用场景：图像识别、语音识别、自然语言处理、强化学习、生成对抗网络（GANs）

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 创建一个简单的神经网络模型
model = Sequential([Dense(64, activation='relu', input_shape=(784,)),Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(train_data, train_labels, epochs=5)

1.2 PyTorch

简介：PyTorch 是由 Facebook 开发的开源深度学习框架，具有强大的动态计算图（eager execution），对研究者非常友好。PyTorch 以其灵活性和易于调试的特点，成为许多研究人员和开发者的首选。
特点：
- 动态计算图支持（更灵活）
- 简单易用，代码更直观
- 强大的社区和文档支持
- 与 NumPy 深度集成，便于科学计算
使用场景：图像处理、自然语言处理、生成对抗网络（GANs）、强化学习

import torch
import torch.nn as nn
import torch.optim as optim# 定义一个简单的神经网络模型
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(784, 64)self.fc2 = nn.Linear(64, 10)self.relu = nn.ReLU()self.softmax = nn.Softmax(dim=1)def forward(self, x):x = self.relu(self.fc1(x))x = self.softmax(self.fc2(x))return x# 创建模型、定义损失函数和优化器
model = SimpleNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
for epoch in range(5):optimizer.zero_grad()outputs = model(train_data)loss = criterion(outputs, train_labels)loss.backward()optimizer.step()

1.3 Keras

简介：Keras 是一个高层次的神经网络 API，它最初是独立的项目，现在已经集成到 TensorFlow 中。它使得深度学习模型的设计变得更加简单和快捷。
特点：
- 简单易用，代码结构清晰
- 支持快速原型设计
- 可与 TensorFlow 或 Theano 等底层框架配合使用
- 自动微分，支持GPU加速
使用场景：图像分类、文本生成、生成对抗网络（GANs）

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 创建一个简单的Keras模型
model = Sequential([Dense(64, activation='relu', input_shape=(784,)),Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(train_data, train_labels, epochs=5)

1.4 MXNet

简介：MXNet 是由 Apache 基金会支持的深度学习框架，具有良好的可扩展性。它支持动态计算图，且性能优异，尤其在分布式计算和多GPU支持方面表现突出。
特点：
- 支持动态图和静态图
- 优化了分布式训练的性能
- 支持多种语言（Python、Scala、R、Julia等）
使用场景：大规模分布式训练、NLP、图像处理
简介：Scikit-learn 是一个用 Python 编写的机器学习库，提供了大量常见的机器学习算法，如回归、分类、聚类、降维、模型选择等。
特点：
- 简单易用，适合快速开发和原型设计
- 提供了大量的机器学习算法
- 良好的文档和社区支持
使用场景：数据预处理、模型训练、回归、分类、聚类

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score# 加载数据集
X, y = load_iris(return_X_y=True)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建随机森林分类器并训练
clf = RandomForestClassifier()
clf.fit(X_train, y_train)# 在测试集上评估模型
y_pred = clf.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")

2.2 XGBoost

简介：XGBoost（Extreme Gradient Boosting）是一个高效的实现梯度提升决策树（GBDT）算法的库，特别适合于结构化数据任务，如回归、分类和排序任务。
特点：
- 高效、准确，尤其在Kaggle比赛中表现优异
- 具有强大的并行计算能力
- 支持处理缺失值和类别变量
使用场景：回归、分类、排序任务

import xgboost as xgb
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score# 加载数据
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 训练XGBoost模型
dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)param = {'max_depth': 3, 'eta': 0.1, 'objective': 'multi:softmax', 'num_class': 3}
num_round = 50
bst = xgb.train(param, dtrain, num_round)# 预测
y_pred = bst.predict(dtest)
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")

3. 强化学习框架

强化学习（Reinforcement Learning，RL）是人工智能的一个子领域，旨在使智能体通过与环境交互来学习决策策略。

3.1 OpenAI Gym

简介：OpenAI Gym 是一个广泛使用的强化学习环境库，提供了多种环境（如棋盘、机器人控制、视频游戏等），便于开发和评估强化学习算法。
特点：
- 丰富的环境支持（离散、连续、机器人等）
- 简单易用的API，支持与强化学习算法（如Q-learning、DQN、A3C等）集成
- 可与其他RL框架（如Stable Baselines、RLlib）结合使用
使用场景：训练强化学习模型、模拟不同的学习任务
```
import gym# 创建环境
env = gym.make('CartPole-v1')# 初始化环境
state = env.reset()# 随机选择动作并与环境交互
for _ in range(1000):env.render()action = env.action_space.sample()  # 随机选择动作state, reward, done, info = env.step(action)  # 与环境交互if done:breakenv.close()
```
总结

不同的人工智能任务适用于不同的学习框架。深度学习框架如 TensorFlow 和 PyTorch 主要用于大规模的深度神经网络任务，机器学习框架如 Scikit-learn 和 XGBoost 主要用于传统的机器学习任务，而强化学习框架如 OpenAI Gym 提供了丰富的环境支持，用于训练和评估强化学习模型。

选择框架时需要考虑项目的需求、任务的类型以及团队的技术栈。
更多内容来源 https://ai.tmqcjr.com

人工智能学习框架入门教程（一）

人工智能（AI）学习框架是指为开发、训练和部署人工智能模型提供的结构化工具和环境。它们帮助开发者实现AI项目的高效性、可扩展性、可维护性，并提供了优化算法、模型训练、评估、调优等功能。根据任务的不同，人工智能框架可以分为…...

编程日记 2025/5/18 23:44:21

NNDL 作业11 LSTM

习题6-4 推导LSTM网络中参数的梯度， 并分析其避免梯度消失的效果先来推个实例： 看式子中间，上半部分并未有连乘项，而下半部分有到的连乘项，从这可以看出，LSTM能缓解梯度消失，梯度爆炸只是不易…...

编程日记 2025/5/18 23:38:16

Git 操作全解：从基础命令到高级操作的实用指南

文章目录 1.基本命令1.初始化仓库2.克隆远程仓库3.查看当前仓库状态4.查看提交日志5.添加文件到暂存区6.提交更改7.查看仓库的配置信息 2.分支操作1.查看所有分支2.创建新分支3.切换名称4.创建并切换到新分支5.删除分支6.查看当前分支 3.合并分支1.合并分支2.解决合并冲突 4.远…...

编程日记 2025/5/18 23:41:26

CSS（四）display和float

display display 属性用于控制元素的显示类型，用的 display 值包括： block：块级元素使元素成为块级元素，占据一整行，前后有换行宽度默认为父容器的 100%，可以设置宽高，支持 margin、padding、…...

编程日记 2025/5/16 8:06:14

python中使用selenium执行组合快捷键ctrl+v不生效问题

在执行ctrlv进行粘贴时，绑定一个页面上的元素对象（无论元素对象是否是引用过期或者是粘贴的目标文本区，但前提需要粘贴的目标文本区获取焦点）执行ctrlv后可以生效。执行粘贴组合快捷键（ctrlv）的示例代码 se…...

编程日记 2025/5/18 23:32:28

数据结构 C/C++(实验五:图)

（大家好，今天分享的是数据结构的相关知识，大家可以在评论区进行互动答疑哦~加油！💕） 目录提要：实验题目一、实验目的二、实验内容及要求三、源程序及注释实验1代码 （折半查…...

编程日记 2025/5/16 4:52:53

非零掩码矩阵邻接矩阵

文章目录 1. 举例：2. python 代码3. 邻接矩阵 1. 举例： 在深度学习过程中，我们经常会用到掩码矩阵，比如我们有一个矩阵A表示如下,希望得到矩阵B，在矩阵A的非零位置表示为1，零位置表示为0， A …...

编程日记 2025/5/18 23:42:56

目录 1. 联网安装 Docker 2. 离线安装 Docker 3. 安装 Docker Compose 4. 卸载 Docker 和 Docker Compose 1. 联网安装 Docker 在 CentOS 上通过 yum 安装 Docker： # 安装 Docker yum -y install docker # 启动 Docker systemctl start docker # 查看 D…...

编程日记 2025/5/18 23:36:49

嵌入式驱动开发详解21（网络驱动开发）

文章目录前言以太网框架ENET 接口简介MAC接口MII \ RMII 接口MDIO 接口RJ45 接口 PHY芯片以太网驱动驱动挂载wifi模块挂载后续前言 linux驱动主要是字符设备驱动、块设备驱动还有网络设备驱动、字符设备驱动在本专栏前面已经详细将解了，网络设备驱动本文会做简要…...

编程日记 2025/5/14 3:45:32

2024年12月25日Github流行趋势

项目名称：system-design-primer 项目维护者：donnemartin, cclauss, satob, fluency03, linhe0x0项目介绍：学习如何设计大规模系统。为系统设计面试做准备。包括 Anki 卡片。项目star数：282,387项目fork数：47,226 项目…...

编程日记 2025/5/18 14:18:27

6、mysql的MHA故障切换

MHA的含义 MHA：master high availability，建立在主从复制基础上的故障切换的软件系统。主从复制的单点问题： 当主从复制当中，主服务器发生故障，会自动切换到一台从服务器，然后把从服务器升格成主&…...

编程日记 2025/5/18 23:38:15

#error: WinSock.h has already been included解决方案

原因： 在工程中使用了 Boot 库之后，使用了socket、tcp 相关的头文件，在其他地方还是包括了头文件<windows.h>，该头文件内包含了<winsock.h>。导致遇到报错问题：WinSock.h has already been included 解决…...

编程日记 2025/5/16 8:01:10

npm淘宝镜像

通过命令行配置npm的淘宝镜像源和官方镜像源，以及如何安装和使用cnpm来解决安装包卡顿或无法安装的问题。通过设置registry和disturl，配合清理缓存，可以优化npm的下载速度。 1、官方默认镜像 npm config set registry https://registry.n…...

编程日记 2025/5/18 23:41:25

光谱相机的工作原理

光谱相机的工作原理主要基于不同物质对不同波长光的吸收、反射和透射特性存在差异，以下是其具体工作过程： 一、光的收集目标物体在光源照射下，其表面会对光产生吸收、反射和透射等相互作用。光谱相机的光学系统（如透镜、反射镜…...

编程日记 2025/5/15 2:50:38

安全筑堤，效率破浪 | 统一运维管理平台下的免密登录应用解析

在信息技术迅猛发展的今天，企业运维管理领域正面临着前所未有的复杂挑战。统一运维管理平台作为集中管理和监控IT基础设施的核心工具，其安全性和效率至关重要。免密登录作为一种新兴的身份验证技术，正逐渐成为提升运维管理效率和安全性的重要…...

编程日记 2025/5/18 23:30:45

外包干了27天，技术退步明显。。。。。

时光荏苒，转眼我已是一个拥有近四年功能测试经验的大专生。20年，我满怀激情地通过校招进入湖南某知名软件公司，期待在这里开启我的职业生涯。然而，长时间的舒适环境让我渐渐失去了前进的动力，技术停滞不前，…...

编程日记 2025/5/15 1:05:17

leetcode 面试经典 150 题：合并两个有序数组

链接合并两个有序数组题序号88题型数组解题方法1. 双指针法 ；2. 合并排序法难度简单熟练度✅✅✅✅✅ 题目给你两个按非递减顺序排列的整数数组 nums1 和 nums2，另有两个整数 m 和 n ，分别表示 nums1 和 nums2 中的元素数目。请你合并 …...

编程日记 2025/5/18 0:26:10

波动理论、传输线和S参数网络

波动理论、传输线和S参数网络传输线求解传输线方程对于传输线模型，我们通常用 R L G C RLGC RLGC 来表示： 其中 R R R 可以表示导体损耗，由于电子流经非理想导体而产生的能量损耗。 G G G 表示介质损耗，由于非理想电介质…...

编程日记 2025/5/18 23:29:23

YOLO11改进-注意力-引入自调制特征聚合模块SMFA

本篇文章将介绍一个新的改进机制——SMFA（自调制特征聚合模块），并阐述如何将其应用于YOLOv11中，显著提升模型性能。随着深度学习在计算机视觉中的不断进展，目标检测任务也在快速发展。YOLO系列模型（You Onl…...

编程日记 2025/5/16 9:59:28

uniapp登录

第一步整登录先整个appid APPID和APPSecret https://developers.weixin.qq.com/community/develop/article/doc/000ca4601b8f70e379febac985b413 一个账号只能整一个小程序正确流程调用uni.login https://juejin.cn/post/7126553599445827621 https://www.jb51.net/a…...

编程日记 2025/5/15 4:45:48

mysql,数据库主从同步搭建

1.mysql主从同步1.主从同步原理(1)复现binlog日志中的sql语句(2)主服务器启动binlog日志(3)从服务器启动binlog日志,io线程,sql线程2.主从同步结构一主一从一主多从级联复制互为主从(keepalived高可用)3.mysql复制模式异步复制:主服务器处理完sql直接返回给客户端结果半同步复制…...

编程日记 2025/5/13 22:37:03

云途领航：现代应用架构助力企业转型新篇

在数字化转型的浪潮中，现代应用架构为企业带来了灵活性、效率和创新能力。各类服务模型相继出现，为企业提供了强有力的支持，助力其顺利转型。随着技术的快速发展，企业面临的挑战和机遇也在不断演变，这促使它们必须重新…...

编程日记 2025/5/12 3:28:57

redis——岁月云实战

单线程序，基于IO多路复用，基于内存和c语言编写，性能高。redis官方命令 1 数据结构 1.1 key的层级 redis的key可以通过冒号（:）来划分层级，如下图mms:company:order，但系统中可以看到有不少没有…...

编程日记 2025/5/17 13:29:15

Flink调优----资源配置调优与状态及Checkpoint调优

目录第 1 章资源配置调优 1.1 内存设置 1.1.1 TaskManager 内存模型 1、内存模型详解 2、案例分析 1.1.2 生产资源配置示例 1.2 合理利用 cpu 资源 1.2.1 使用 DefaultResourceCalculator 策略 1.2.2 使用 DominantResourceCalculator 策略 1.2.3 使用 DominantRes…...

编程日记 2025/5/15 9:07:37

Java web的发展历史

目录前言： 一.Model I和Model II 1.Model I开发模式编辑 2.Model II开发模式二. MVC模式前言： 该篇文章主要介绍了Java web的发展历史，以及MVC相关内容一.Model I和Model II 1.Model I开发模式 Model1的开发模式是&#xff…...

编程日记 2025/5/17 13:33:04

面向微服务的Spring Cloud Gateway的集成解决方案：用户登录认证与访问控制

🎯导读：本文档详细描述了一个基于Spring Cloud Gateway的微服务网关及Admin服务的实现。网关通过定义路由规则，利用负载均衡将请求转发至不同的后端服务，并集成了Token验证过滤器以确保API的安全访问，同时支持白名单路…...

编程日记 2025/5/13 21:13:37

MongoDB 更新文档

关于MongoDB更新文档的操作，可以通过多种方法实现。以下是一些常用的方法： updateOne() 方法：用于更新匹配过滤器的单个文档。其语法为 db.collection.updateOne(filter, update, options)。其中，filter 用于查找文档的查询条件&a…...

编程日记 2025/5/17 13:43:19

静态路由与动态路由

静态路由和动态路由是网络中两种不同的路由配置方式，它们在网络中的运作方式、配置方法以及适用场景等方面存在显著差异。以下是对两者的详细比较： 一、定义与配置方式静态路由定义：静态路由是由网络管理员手动配置的固定路径，…...

编程日记 2025/5/9 18:22:46

leetcode hot二叉树的层序遍历

102. 二叉树的层序遍历已解答中等相关标签相关企业给你二叉树的根节点 root ，返回其节点值的层序遍历。 （即逐层地，从左到右访问所有节点） # Definition for a binary tree node. # class TreeNode(object): # …...

编程日记 2025/5/18 9:16:50

Windows下ESP32-IDF开发环境搭建

Windows下ESP32-IDF开发环境搭建文章目录 Windows下ESP32-IDF开发环境搭建一、软件安装二、搭建IDF开发环境2.1 安装VS Code插件：2.2 配置ESP-IDF插件：2.3 下载例程源码： 三、编译和烧录代码四、Windows下使用命令行编译和烧录程序4.1 配置环…...

编程日记 2025/5/18 14:46:12

基于高云GW5AT-15 FPGA的SLVS-EC桥MIPI设计方案分享

作者：Hello,Panda 一、设计需求设计一个4Lanes SLVS-EC桥接到2组4lanes MIPI DPHY接口的电路模块： （1）CMOS芯片：IMX537-AAMJ-C，输出4lanes SLVS-EC 4.752Gbps Lane速率； （2&…...

编程日记 2025/5/18 2:04:13

【day18】多线程高级应用

day17回顾在深入探讨模块18之前，让我们回顾一下【day17】中的关键内容： 创建多线程： 继承Thread类： 定义一个类，继承Thread。重写run方法，设置线程任务。创建自定义线程对象。调用start方法，开…...

编程日记 2025/5/18 12:28:12

Python接口自动化测试的实现

1)环境准备： 接口测试的方式有很多，比如可以用工具(jmeter,postman)之类，也可以自己写代码进行接口测试，工具的使用相对来说都比较简单，重点是要搞清楚项目接口的协议是什么，然后有针对性的进行选择&#x…...

编程日记 2025/5/17 15:17:09

nvidia docker, nvidia docker2, nvidia container toolkits区别

背景在docker容器中用GPU时，查阅了网上许多教程，教程之间概念模糊不清，相互矛盾，过时的教程和新的教程混杂在一起。主要原因是Nvidia为docker容器的支持发生了好几代变更，api发生了不少变化。下面来总结一下各代支持…...

编程日记 2025/5/11 7:41:55

字节跳动Java开发面试题及参考答案（综合篇）

HTTP 与 HTTPS 的区别？ HTTP（超文本传输协议）和 HTTPS（超文本传输安全协议）主要有以下区别。从安全性角度看，HTTP 是明文传输协议，数据在网络中传输时是以原始文本的形式发送的。这就好比在信件传递过程中没有进行密封，任何中间节点（如路由器、代理服务器等）都可以查…...

编程日记 2025/5/14 21:11:50

搭建Elastic search群集

一、实验环境二、实验步骤 Elasticsearch 是一个分布式、高扩展、高实时的搜索与数据分析引擎Elasticsearch目录文件： /etc/elasticsearch/elasticsearch.yml#配置文件 /etc/elasticsearch/jvm.options#java虚拟机 /etc/init.d/elasticsearch#服务启动脚本 /e…...

编程日记 2025/5/18 10:32:36

深入解析 Spring WebFlux：原理与应用

优质博文：IT-BLOG-CN WebFlux 是 Spring Framework 5 引入的一种响应式编程框架，和Spring MVC同级，旨在处理高并发和低延迟的非阻塞应用。这是一个支持反应式编程模型的新Web框架体系。顺便一提，Spring Cloud Gateway在实现上是…...

编程日记 2025/5/16 20:50:37

Docker 部署 SpringBoot VUE项目

是一套基于若依的wms仓库管理系统一、后端部署后端地址：https://gitee.com/zccbbg/wms-ruoyi/tree/v1/ 1、用IDEA拉代码，并修改API统一后缀 2、复制一个配置文件 application-dev.yaml，并修改里面的mysql与redis配置 3、将打包的jar上传…...

编程日记 2025/5/16 15:59:40

【Java基础面试题031】Java运行时异常和编译时异常之间的区别是什么？

回答重点主要有三大区别，分别是发生时机、捕获和处理方式和设计意图 1）发生时机： 编译时异常（Checked Exception）：发生在编译阶段，编译器会检查此类异常，程序必须堆这些异常进行…...

编程日记 2025/5/17 11:23:08

常见网络功能概述-主要拆解功能

大家觉得有意义和参考价值记得关注和点赞！！！ 一、防火墙介绍防火墙（Firewall）是一种网络安全系统，用于监控、过滤和控制进出网络的数据流量。它是一种屏障，通过策略规则来允许、限制或拒绝数…...

编程日记 2025/5/16 13:11:59

Chapter 3-1. Detecting Congestion in Fibre Channel Fabrics

Chapter 3. Detecting Congestion in Fibre Channel Fabrics This chapter covers the following topics: 本章包括以下主题： Congestion detection workflow. Congestion detection metrics. Congestion detection metrics and commands on Cisco MDS switches. Automatic A…...

编程日记 2025/5/18 10:23:26

Day13 用Excel表体验梯度下降法

Day13 用Excel表体验梯度下降法用所学公式创建Excel表用Excel表体验梯度下降法详见本Day文章顶部附带资源里的Excel表《梯度下降法》，可以对照表里的单元格公式进行理解，还可以多尝试几次不同的学习率 η \eta η来感受，只需要更改学习率…...

编程日记 2025/5/14 12:25:50

重温设计模式--5、职责链模式

文章目录职责链模式的详细介绍C 代码示例C示例代码2 职责链模式的详细介绍定义与概念职责链模式（Chain of Responsibility Pattern）是一种行为型设计模式，它旨在将请求的发送者和多个接收者解耦，让多个对象都有机会处理请求&am…...

编程日记 2025/5/16 10:22:39

C语言-08复合类型-结构体

一、结构体 1.结构体struct struct关键字，允许自定义复合数据类型，将不同类型的值组合在一起，这种类型称为结构体类型。 2.使用步骤第一步：创建或声明结构体第二步：定义结构体变量第三步：调用并操作结…...

编程日记 2025/5/15 1:02:58

vue 基础学习

一、ref 和reactive 区别 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><title>Title</title> </head> <body><div id"app"><h1>{{Web.title}}</h1><h1&…...

编程日记 2025/5/14 8:13:31

Elasticsearch检索方案之一：使用from+size实现分页

前面两篇文章介绍了elasticsearch以及Kibana的安装，检索引擎以及可视化工具都已经安装完成，接下来介绍下如何使用golang的sdk实现简单的分页查询。 1、下载Elastic官方golang sdk 在讲解elasticsearch检索之前，需要先把golang的环境安装好&…...

编程日记 2025/5/12 14:39:52