规则设计，选择关键词，深度学习训练ai

day1

实验主题：理论学习与 Python 基础语法实践

上午时段

  1. 额外事项处理：接触消防安全相关事宜，占用部分上午时间，后续需协调好理论学习与这类事务的时间分配。
  2. 理论学习：学习模型黑箱机制相关内容，了解到模型黑箱是指算法模型在运行过程中，其内部的决策逻辑、特征权重等细节难以被人类解释和理解的特性，该特性在部分复杂机器学习模型中表现尤为明显，后续可结合具体案例深入探究其可解释性优化方案。

下午时段

  1. 环境准备：完成 Python 实验环境的安装与配置，确保编程环境可正常运行，为后续语法学习和题目训练奠定基础。

  2. Python 基础语法学习

    • 系统学习 Python 基础语法规则，包括变量定义、数据类型等核心内容。
    • 重点掌握字符串拼接操作，熟悉+运算符拼接、join()方法拼接等多种实现方式及各自适用场景。
    • 深入学习列表相关操作，涵盖列表元素的修改（通过索引直接修改、切片修改）、查找（index()方法）、统计（count()方法）等核心功能。
    • 学习函数相关知识，包括函数的定义（def关键字）、封装思想（将功能代码整合为函数，提高复用性），以及外部库的调用方法（import语句导入）。

  3. 实操训练：完成两道 Python 基础训练题目，将所学语法知识应用到实际编程中，检验学习效果，提升代码编写和调试能力。

  4. 特殊事项：参与神秘开班仪式，具体内容待后续进一步明确。

  5. 额外事项处理：涉及百度云相关事宜，增加了当日任务量，后续需梳理相关流程，提高事务处理效率。

问题与反思

  1. 当日需处理消防安全、百度云等额外事务，导致学习和实验时间被分割，后续需制定更合理的时间规划表。
  2. 模型黑箱机制的理论内容较为抽象，需结合具体的机器学习模型案例进行深入学习，才能更好地理解其原理和应用局限。
  3. Python 语法学习中，对于列表的复杂操作和外部库的灵活调用仍需加强练习，通过更多实操题目巩固知识点。

后续计划

  1. 协调好理论学习、编程实操与额外事务的时间分配，确保学习进度不受影响。
  2. 查找模型黑箱机制的相关案例和文献，加深对理论知识的理解。
  3. 增加 Python 编程练习量，重点练习列表高级操作和第三方库的调用。
  4. 梳理百度云相关事宜的处理流程，提高事务处理效率。

day2

（一）上午：算法模型代码练习

聚焦机器学习与深度学习核心算法，完成多类模型的代码实现与训练验证，具体包括：

  1. 线性回归模型：基于 PyTorch 构建简单线性回归网络，以x_data=[[1.0],[2.0],[3.0]]、y_data=[[2.2],[3.3],[4.4]]为训练数据，定义LinearModel类封装线性层，使用均方误差损失（MSELoss）和随机梯度下降（SGD）优化器完成 100 轮训练，验证模型对输入4.0的预测能力，输出权重w和偏置b的迭代结果。
  2. K-Means 聚类：利用sklearn生成含 3 个聚类中心的模拟数据（centers=[[1, 1], [-1, -1], [1, -1]]），实现 K-Means 聚类算法（初始化方式为k-means++），对比原始数据分布与聚类结果，可视化聚类中心与样本分类，并统计训练耗时。
  3. RNN 序列建模：基于 PyTorch 实现简单 RNN 模型，针对自定义字典（dict=['e','h','l','o']）的序列数据（x_data=[1,0,2,2,3]、y_data=[3,1,2,3,2]），通过 Embedding 层将离散索引转为向量，结合 RNN 层与全连接层完成序列分类任务，使用交叉熵损失（CrossEntropyLoss）和 Adam 优化器训练 15 轮，输出每轮损失值与模型预测的字符序列。

（二）下午：进阶模型练习 + 实验记录撰写

  1. BP 神经网络回归：基于 PyTorch 构建多层全连接神经网络（3 层隐藏层 + Sigmoid 激活），读取number_list.xlsx数据并标准化处理，以均方误差为损失函数、Adam 为优化器，按批次（batch_size=2）训练 300 轮，记录每 10 轮的平均损失值，绘制损失曲线，并将训练完成的模型保存为BP.pt。
  2. 实验记录整理：梳理上午 + 下午所有代码练习的核心逻辑、参数设置、训练过程与结果，规范记录各模型的实现细节、关键参数（如学习率、迭代次数、隐藏层维度）及可视化结果，形成完整实验文档。

三、实验总结

  1. 技术层面：熟练掌握 PyTorch 构建神经网络的核心流程（模型定义、损失函数 / 优化器选择、训练循环、反向传播），理解线性回归、聚类、RNN、BP 神经网络的核心原理与代码实现差异；
  2. 实践层面：掌握数据预处理（标准化、张量转换）、模型保存与加载、结果可视化（Matplotlib 绘图）等工程化技巧；
  3. 待优化点：可进一步增加模型评估指标（如聚类准确率、回归 R² 值），对比不同优化器 / 超参数对模型性能的影响。

day3

上午

人工智能体：角色，目标，规则，限制

关键是写提示词：1.上下文前置规则2.反思机制3.trae内置优化

栗子：1. 股票分析智能体

目标：构建一个能智能回答股票证券知识并快速生成网站的智能体。

步骤：

  1. 创建智能体，命名为”股票智能分析达人王”

  2. 添加所需MCP工具：sequential-thinking、Puppeteer、Notion API

  3. 编写提示词，定义智能体角色和工作流程

  4. 测试智能体功能，输入指令如”帮我分析当前股市行情并生成分析网页”

效果：智能体自动搜索股票数据，生成包含K线图、趋势分析和预测的网页。

下午

机器学习和数据处理

爬虫收集数据，数据不干净，有缺失值，中位数补充

机器学习十大经典算法：这里最好找一下

数据集分成三部分：1.训练部分2.没有训练的数据放进训练好的模型进行验证—交叉验证（训练集80，测试集20）3.验证集

继续ppt介绍机器学习：1.监督学习（给标签，标注）2.无监督（聚类，分类）3.半监督，强化练习（输入立刻给相应的调整）

时间管理app

day4

飞机，飞，有代码不管他

你这段代码的核心功能是使用 PyTorch 实现一个简单的 RNN（循环神经网络）模型，来学习并预测三维空间中的轨迹数据，本质上是一个时间序列预测任务。生成一组带轻微噪声的三维轨迹数据（x 轴线性增长，y 轴固定值 + 噪声，z 轴固定值），然后用 RNN 模型学习这组轨迹的规律，最终基于已知轨迹片段预测后续的轨迹点，并通过可视化对比原始轨迹和预测轨迹。

深度学习基础（PyTorch）

  • 自定义模型：继承nn.Module类，实现__init__（定义层）和forward（定义前向传播）；

  • 参数初始化：用nn.init.normal_初始化 RNN 参数，避免初始值异常导致训练不稳定；

  • 损失函数与优化器

    ：

    • nn.MSELoss()：回归任务核心损失（分类任务常用nn.CrossEntropyLoss）；
    • optim.Adam()：工业界常用的优化器（比 SGD 收敛更快，自带自适应学习率）；

  • 梯度管理

    ：

    • optimizer.zero_grad()：清空梯度，避免梯度累加；
    • detach()：分离张量，切断梯度回传（此处用于隐藏状态，避免跨迭代梯度干扰）。

循环神经网络（RNN）核心

  • 序列数据处理：RNN 的核心优势是处理时序 / 序列数据（如轨迹、文本、时间序列），通过隐藏状态保存历史信息；
  • 输入输出形状：batch_first=True时，输入形状为[batch_size, seq_len, input_size]（此处 batch_size=1，seq_len=15，input_size=3）；
  • 隐藏状态：RNN 的隐藏层输出（out）是每个时间步的结果，hidden_prev是最后一个时间步的隐藏状态（可用于后续预测的初始状态）。

数据处理与可视化

  • numpy 与 torch 张量转换：torch.Tensor()将 numpy 数组转为张量，detach().numpy()将张量转回 numpy（预测后需分离梯度才能转）；
  • 形状调整：view()（等价于reshape）调整张量形状，适配模型输入要求；
  • 3D 可视化：用mpl_toolkits.mplot3d.Axes3D绘制 3D 散点图，展示三维轨迹；
  • 中文字体配置：解决 matplotlib 中文乱码和负号显示问题。

时间序列预测任务

  • 序列回归：预测连续值（三维坐标），区别于分类任务（预测离散标签）；
  • 训练数据构造：用 “历史序列” 预测 “未来序列”（此处是输入后移 5 步的序列作为目标）；
  • 随机采样训练：训练时随机选取起始点，避免模型过拟合固定序列。

day5

在报告厅疯狂玩手机，说是参观什么实验室

day6

写代码

day7

上午：深度神经网络

sudo bash reinstall.sh ubuntu 22.04 –password 357159

bash reinstall.sh ubuntu 22.04