Pub1

source/第一章/1.1 PyTorch简介.md

@@ -12,11 +12,9 @@ PyTorch是由Meta AI(Facebook)人工智能研究小组开发的一种基于Lua
 
 **“All in PyTorch”**，对于PyTorch的发展我们只能用一句话来概况了，PyTorch自从推出就获得巨大的关注并受到了很多人的喜欢，而最直观的莫过于下面数据所表现的简明直了。
 
-下图来自[Paper with code](https://paperswithcode.com/trends)网站，**颜色面积代表使用该框架的论文公开代码库的数量**，我们可以发现截至2021年6月，PyTorch的代码实现已经是TensorFlow实现的4倍，我们也可以看红色部分的PyTorch正在取代他的老大哥称霸学术圈，PyTorch会借助ONNX所带来的落地能力在工业界逐渐走向主导地位。
+下图来自[Paper with code](https://paperswithcode.com/trends)网站，**颜色面积代表使用该框架的论文公开代码库的数量**，我们可以发现截至2024年12月，PyTorch的代码实现已经是TensorFlow实现的29.5倍，我们也可以看红色部分的PyTorch正在取代他的老大哥称霸学术圈，PyTorch会借助ONNX所带来的落地能力在工业界逐渐走向主导地位。
 
-总的来说，我们必须承认到现在为止PyTorch 1.x还是有不如别的框架的地方，但是我们相信PyTorch 2.x版本会给我们带来更大的惊喜。
-
-![框架对比图](figures/main_compare.png)
+![框架对比图](figures/pytorch_2025.png)
 
 ## 1.1.2 PyTorch的优势
 + **更加简洁**，相比于其他的框架，PyTorch的框架更加简洁，易于理解。PyTorch的设计追求最少的封装，避免重复造轮子。

source/第一章/1.2 PyTorch的安装.md

@@ -20,33 +20,30 @@ PyTorch的安装是我们学习PyTorch的第一步，也是经常出错的一步
 ### Step 2：检验是否安装成功
 在开始页找到Anaconda Prompt，一般在Anaconda3的文件夹下,( Linux在终端下就行了）
 
-![prompt](figures/prompt.png)
+![prompt](figures/anaconda_windows.png)
 
 ### Step 3：创建虚拟环境
 
 Linux在终端(`Ctrl`+`Alt`+`T`)进行，Windows在`Anaconda Prompt`进行
 
 #### 查看现存虚拟环境
-查看已经安装好的虚拟环境，可以看到我们这里已经有两个环境存在了
+查看已经安装好的虚拟环境，可以看到默认有一个base环境
 
 ```bash
 conda env list 
 ```
 
-![env_list](figures/env_list.png)
+![env_list](figures/conda_env_list.png)
 
 #### 创建虚拟环境
 在深度学习和机器学习中，我们经常会创建不同版本的虚拟环境来满足我们的一些需求。下面我们介绍创建虚拟环境的命令。
 ```bash
-conda create -n env_name python==version 
-# 注：将env_name 替换成你的环境的名称，version替换成对应的版本号，eg：3.8
+conda create -n pytorch2.6 python=3.10 -y
 ```
 
-![](figures/install.png)
+![](figures/anaconda新建环境.png)
+
 
-**注**：
-1. 这里忽略我们的warning，因为我们测试的时候已经安了又卸载一遍了，正常时是不会有warning的。
-2. 在选择Python版本时，不要选择太高，建议选择3.6-3.8，版本过高会导致相关库不适配。
 
 #### 安装包
 ```bash
@@ -168,9 +165,8 @@ vi .condarc
 
 我们可以通过在`cmd/terminal中`输入`nvidia-smi`（Linux和Win命令一样）、使用NVIDIA控制面板和使用任务管理器查看自己是否有NVIDIA的独立显卡及其型号
 
-![查看GPU](figures/gpu.png)
+![windows查看cuda.png](figures/windows查看cuda.png)
 
-![查看显卡](figures/Nvidia.png)
 
 
 
@@ -197,7 +193,7 @@ vi .condarc
 ### Step 3：选择命令
 我们需要结合自己情况选择命令并复制下来，然后使用conda下载或者pip下载（建议conda安装）
 
-打开`Terminal`，输入`conda activate env_name`(env_name 为你对应的环境名称)，切换到对应的环境下面，我们就可以进行PyTorch的安装了。
+打开`Anaconda Prompt`，输入`conda activate env_name`(env_name 为你对应的环境名称)，切换到对应的环境下面，我们就可以进行PyTorch的安装了。
 
 ![](figures/choose_envs.png)
 
@@ -222,7 +218,13 @@ vi .condarc
 
 如果我们使用的`Anaconda Prompt`进行下载的话，我们需要先通过`conda activate env_name`，激活我们的虚拟环境中去，再输入命令。
 
-**注**: 我们需要要把下载指令后面的 -c pytorch 去掉以保证使用清华源下载，否则还是默认从官网下载。
+值得一提的是，Conda 已经不再被推荐作为 pytorch
+安装的工具了，我们用 pip 来下载
+```
+pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
+
+```
+
 ### Step 5：离线下载
 
 #### Windows：
@@ -254,7 +256,7 @@ import torch
 torch.cuda.is_available()
 ```
 ```bash
-False
+Ture
 ```
 这条命令意思是检验是否可以调用cuda，如果我们**安装的是CPU版本的话会返回False，能够调用GPU的会返回True**。一般这个命令不报错的话就证明安装成功。
 

source/第零章/0.1 人工智能简史.md

@@ -33,11 +33,21 @@
 
 人工智能的第三次浪潮有两个重要的时间节点：2006年和2016年。2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。而2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世乭，“人工智能”一词正式进入普通民众的视野并被逐渐熟知。至此，人工智能正式迈向了从“科研领域的应用型工具”到“实用性，功能性工具”的转变，人工智能有了新的研究方向和研究模式，即从过去的学术主导型研究逐渐走向了商业主导型研究。随着人类社会对智能化工具的不断追求和探索，人工智能的发展迎来了全新的时代。
 
-### 1.1.4 总结
+### 1.1.4 第四次浪潮
 
-![](figures/AI.jpg)
+2020年前后，随着深度学习技术的成熟和大规模预训练模型（Large Language Models, LLM）的突破，人工智能发展进入以生成式AI为核心的第四次浪潮。这一阶段的核心标志是Transformer架构的广泛应用，以及以ChatGPT为代表的通用型对话系统在自然语言理解、生成和逻辑推理能力上的飞跃式提升。
 
-上图是对人工智能发展中经历的三次浪潮和两次寒冬的形象总结。除此之外，有观点认为，深度学习算法带来的“技术红利”，将支撑我们再发展5~10年时间，随后就会遇到瓶颈。人工智能不是一个简单的从1到100进步的过程，它往往趋向于两个极端：要么90分以上，其它的都是10分以下。目前，人工智能急需寻找到一个“技术奇点”，让人工智能迅速发展到通用人工智能甚至是超级人工智能的水平。否则，在人工智能研究商业化的今天，无法从中获利的投资人们将快速撤资退场，人工智能或将进入下一个寒冬。
+此次浪潮的起点可追溯至2017年谷歌提出的Transformer模型，其自注意力机制（Self-Attention）解决了传统循环神经网络（RNN）处理长序列数据的效率瓶颈。2020年，OpenAI发布1750亿参数的GPT-3模型，首次展现了大规模预训练模型在零样本学习（Zero-Shot Learning）和小样本学习（Few-Shot Learning）中的潜力。2022年11月，基于GPT-3.5的ChatGPT正式向公众开放，其通过人类反馈强化学习（RLHF）技术实现了与人类意图对齐的对话能力，上线两个月用户突破1亿，成为历史上增长最快的消费级应用。2023年3月，GPT-4的发布进一步突破多模态能力边界，将文本、图像、代码的生成与理解整合至统一框架。
+
+第四次浪潮的本质是人工智能从“专用工具”向“通用助手”的范式转变。基于自监督学习的预训练技术使得模型能够通过海量数据（如数万亿单词的文本库）自主构建对世界的认知体系，而指令微调（Instruction Tuning）和价值观对齐技术则让人工智能的输出更符合人类伦理与社会规范。此阶段的技术突破显著降低了AI应用门槛，编程、写作、教育、法律等领域的生产力工具开始全面智能化重构，人类与机器的交互模式从“命令式”转变为“协作式”。
+
+然而，此次浪潮也面临前所未有的挑战。千亿级参数模型对算力的需求引发全球GPU资源争夺战，训练成本的高企导致技术垄断风险；模型可能产生包含偏见或事实错误的“幻觉”（Hallucination）输出，引发对信息可信度的担忧；以开源社区（如Meta的LLaMA）与闭源商业公司（如OpenAI）的路线之争，更折射出技术伦理与治理的复杂性。当前，第四次浪潮仍在持续推进中，其最终走向将取决于技术突破、社会接受度与监管框架的多方博弈。
+
+### 1.1.5 总结
+
+![](figures/AI_1.1.5.png)
+
+上图是对人工智能发展中经历的四次浪潮和两次寒冬的形象总结。除此之外，有观点认为，深度学习算法带来的“技术红利”，将支撑我们再发展5~10年时间，随后就会遇到瓶颈。人工智能不是一个简单的从1到100进步的过程，它往往趋向于两个极端：要么90分以上，其它的都是10分以下。人工智能急需寻找到一个“技术奇点”，让人工智能迅速发展到通用人工智能甚至是超级人工智能的水平。否则，在人工智能研究商业化的今天，无法从中获利的投资人们将快速撤资退场，人工智能或将进入下一个寒冬。而如今我们无疑正处于这个“技术奇点”前沿。
 
 ## 1.2 DL,ML,AI三者之间的关系
 

source/第零章/0.3 常用包的学习.md

@@ -1,4 +1,145 @@
 # 常用包的学习
-## Numpy
+
+## NumPy
+
+**简介：**  
+NumPy 是 Python 的基础科学计算包，提供了高性能的 N 维数组对象（`ndarray`）和大量用于数组操作的函数。它是很多其他数据分析包（例如 pandas 和 scikit-learn）的基础。
+
+**学习重点：**
+
+- **数组创建：**  
+  - 从列表创建：`np.array([1, 2, 3])`
+  - 特殊数组：`np.zeros((3, 4))`、`np.ones((2, 5))`、`np.eye(4)`、`np.arange(0, 10, 2)`、`np.linspace(0, 1, 5)`
+
+- **数组操作：**  
+  - 形状操作：`array.shape`、`np.reshape()`、`np.transpose()`
+  - 切片和索引：类似 Python 列表，但支持多维索引
+  - 广播机制：在不同形状的数组间进行运算
+
+- **数学运算：**  
+  - 基本运算：加减乘除（直接对数组操作）
+  - 通用函数（ufuncs）：如 `np.sin()`、`np.log()`、`np.exp()` 等
+  - 矩阵运算：`np.dot()`、`np.matmul()`、`@` 操作符
+
+**示例代码：**
+
+```python
+import numpy as np
+
+# 创建数组
+a = np.array([1, 2, 3])
+b = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]
+
+# 数组的基本运算
+c = a * 2
+d = np.sin(a)
+
+# 数组的形状操作
+matrix = np.arange(12).reshape(3, 4)
+transposed = matrix.T
+
+print("数组 a:", a)
+print("数组 b:", b)
+print("数组 c (a*2):", c)
+print("数组 d (sin(a)):", d)
+print("原始矩阵:\n", matrix)
+print("转置矩阵:\n", transposed)
+```
+
+---
+
 ## pandas
-## matplotlib
+
+**简介：**  
+pandas 是基于 NumPy 构建的数据分析库，主要提供了两种核心数据结构：`Series`（一维数据）和 `DataFrame`（二维数据表）。它极大地方便了数据读取、清洗、变换和分析。
+
+**学习重点：**
+
+- **数据结构：**  
+  - **Series：** 类似于带标签的一维数组  
+  - **DataFrame：** 表格数据结构，既有行索引也有列标签
+
+- **数据读写：**  
+  - 从 CSV、Excel、SQL 等文件或数据库中读取数据：`pd.read_csv()`, `pd.read_excel()`
+  - 保存数据：`DataFrame.to_csv()`, `DataFrame.to_excel()`
+
+- **数据操作：**  
+  - 选择与过滤：通过标签（`.loc`）或位置（`.iloc`）索引
+  - 数据清洗：处理缺失值（`dropna()`, `fillna()`）、重复值
+  - 数据变换：排序（`sort_values()`）、重设索引（`reset_index()`）
+  - 数据聚合：`groupby()`、`pivot_table()`、`merge()`、`join()`
+
+**示例代码：**
+
+```python
+import pandas as pd
+
+# 创建 DataFrame
+data = {
+    '姓名': ['Alice', 'Bob', 'Charlie', 'David'],
+    '年龄': [25, 30, 35, 40],
+    '城市': ['北京', '上海', '广州', '深圳']
+}
+df = pd.DataFrame(data)
+
+# 查看数据
+print("DataFrame 内容：")
+print(df)
+
+# 筛选年龄大于30的数据
+df_filtered = df[df['年龄'] > 30]
+print("\n年龄大于30的人：")
+print(df_filtered)
+
+# 分组聚合：按城市统计平均年龄
+df_grouped = df.groupby('城市')['年龄'].mean().reset_index()
+print("\n按城市计算平均年龄：")
+print(df_grouped)
+```
+
+---
+
+## matplotlib
+
+**简介：**  
+matplotlib 是 Python 最常用的数据可视化库，特别是其 `pyplot` 接口，能够方便地创建各种图表（折线图、散点图、直方图、条形图等）。
+
+**学习重点：**
+
+- **基本绘图：**  
+  - 使用 `plt.plot()` 绘制折线图
+  - `plt.scatter()` 绘制散点图
+  - `plt.bar()` 绘制条形图
+  - `plt.hist()` 绘制直方图
+
+- **图表定制：**  
+  - 添加标题：`plt.title()`
+  - 添加坐标轴标签：`plt.xlabel()`、`plt.ylabel()`
+  - 添加图例：`plt.legend()`
+  - 自定义颜色、线型、标记等
+
+- **显示与保存图表：**  
+  - 显示图表：`plt.show()`
+  - 保存图表：`plt.savefig('filename.png')`
+
+**示例代码：**
+
+```python
+import matplotlib.pyplot as plt
+import numpy as np
+
+# 生成数据
+x = np.linspace(0, 10, 100)
+y = np.sin(x)
+
+# 绘制折线图
+plt.figure(figsize=(8, 4))
+plt.plot(x, y, label='sin', color='blue', linestyle='-', marker='o', markersize=4)
+plt.title('sin')
+plt.xlabel('X ')
+plt.ylabel('Y ')
+plt.legend()
+plt.grid(True)
+plt.show()
+
+```