🧠 路线 2 · 神经网络线
从 0 训练一个能识别手写数字的 AI
▶ 30 天后你能做：训练一个能识别猫狗图片的 AI 模型，准确率 90%+
> 适合你吗：你被 ChatGPT 震撼过 / 你想搞懂"AI 到底是怎么工作的" / 你想以后从事 AI 工程师岗位。 > 核心心流：从 0 训练一个能识别手写数字的 AI——30 行代码，让 AI 从"啥也不懂"变成"看得懂你写的字"。 > 30 天目标：训练一个能识别猫狗图片的分类器，准确率 90% 以上。 > 前置要求：学完 Part 0\~Part 4 的所有通用课（4\~5 天即可）。 > 当前页定位：本路线完整大纲 + 30 天路径 + 工具栈 + 项目示例。
一、为什么选神经网络线？
AI 是未来 10 年最确定的趋势——3 个理由：
- 高需求——AI 工程师是 2026 年最缺、薪资最高的岗位之一。
- 强能力——学会神经网络，你不仅会用 AI，你还能造 AI。
- 清晰路径——从"调包侠"（用现成模型）到"造轮子"（自己写模型）有完整的进阶路径。
> 重要：你不需要研究生学历。吴恩达的机器学习课程和顶级大学的 AI 课程，现在都把"零基础入门"作为默认起点。 你跟名校生站在同一起跑线。
二、30 天学习路径（每周一个项目）
📅 第 1 周（让 AI 认字）
| Day | 项目 | 学会啥 | 5 行代码预览 |
|---|---|---|---|
| Day 1 | 跑通 MNIST 手写数字识别 | PyTorch 基础 | model = torch.nn.Linear(784, 10) |
| Day 2 | 训练一个简单神经网络 | 训练循环、损失函数 | loss = criterion(output, label) |
| Day 3 | 调参让准确率从 80% 涨到 95% | 学习率、epoch | optimizer = torch.optim.Adam(model.parameters(), lr=0.001) |
| Day 4 | 把训练好的模型部署到 Web | Flask + 简单前端 | app.run(port=5000) |
| Day 5 | 第一个完整 AI：手写数字识别器 | 综合运用 | 上面 4 个拼一起 |
周末复盘：你能做一个"识别手写数字"的网站了！🎉
📅 第 2 周（让 AI 看图）
| Day | 项目 | 学会啥 |
|---|---|---|
| Day 6-7 | 卷积神经网络（CNN）基础 | 卷积层、池化层 |
| Day 8-9 | 训练猫狗分类器 | 数据增强、迁移学习 |
| Day 10 | 第二个完整 AI：猫狗识别器 | 准确率 90%+ |
📅 第 3 周（让 AI 说话）
| Day | 项目 | 学会啥 |
|---|---|---|
| Day 11-12 | Transformer 基础 | 自注意力机制 |
| Day 13-14 | 微调一个开源大模型 | Hugging Face、LoRA |
| Day 15 | 第三个完整 AI：自定义聊天机器人 | 基于你公司的文档回答问题 |
📅 第 4 周（让 AI 创作）
| Day | 项目 | 学会啥 |
|---|---|---|
| Day 16-18 | 扩散模型（Diffusion）原理 | 加噪、去噪、采样 |
| Day 19-20 | 用 Stable Diffusion 生成图片 | prompt 工程、参数调优 |
| Day 21-25 | 训练 LoRA 定制你的专属风格 | DreamBooth、模型融合 |
| Day 26-30 | 发布你的 AI 作品到 Hugging Face | 部署、社区反馈 |
30 天后：你是一个会造 AI 的工程师！🚀
三、工具栈（你需要装啥）
| 工具 | 用途 | 安装难度 |
|---|---|---|
| Python 3.10+ | 主编程语言 | 简单 |
| PyTorch | 主流深度学习框架 | 简单（pip install torch） |
| Google Colab（免费 GPU） | 训练不用买显卡 | 简单（浏览器就能用） |
| Hugging Face | 模型仓库 + 部署 | 简单 |
| VS Code / Cursor | 代码编辑器 | 简单 |
| Jupyter Notebook | 交互式实验 | 简单 |
> AI 时代新工具： > - 用 Claude / GPT-4 当你的 AI 老师 > - 用 Cursor 当你的结对编程搭档 > - 用 Weights & Biases 跟踪训练实验
四、经典项目案例（看完心动的 3 个）
🎯 项目 1：手写数字识别（你 Day 5 就能做）
5 行代码：
1. from torchvision import datasets, transforms
2. import torch.nn as nn
3. model = nn.Sequential(nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 10))
4. # ... 训练循环 ...
5. print("AI 学会了！准确率：", accuracy)
🎯 项目 2：猫狗分类器（你 Day 10 就能做）
用 ResNet 预训练模型微调 → 准确率 90%+ → 可以发到朋友圈炫耀。
🎯 项目 3：定制聊天机器人（你 Day 15 就能做）
用 RAG + LangChain + 公司文档 → 专属客服机器人。
五、路线专属 Part 5/6/7 预告
| 通用 Part | 路线专属内容 | 你会学到 |
|---|---|---|
| Part 5-N（神经网络进阶） | 从零手写反向传播 + 训练 GAN 生成图片 | 自动求导、卷积推导、生成式模型 |
| Part 6-N（训练调试） | Loss 不下降的 10 种原因 + 梯度消失排查 | 训练监控、调参技巧、debug 工具 |
| Part 7-N（模型部署） | 把训练好的模型部署到生产环境 | TorchServe、ONNX、量化、推理优化 |
> 说明：通用 Part 5\~7 已经在 Part 5 进阶应用 / Part 6 调试 / Part 7 排查 里讲过通用部分。路线专属的 Part 5-N\~7-N 会在你学完通用部分后，按你进度解锁。
六、立即开始（5 分钟）
# 1. 装 PyTorch（去 pytorch.org 选对应你电脑的版本）
pip install torch torchvision
# 2. 注册 Google Colab（免费 GPU 训练）：colab.research.google.com
# 3. 跑第一个 notebook：训练 MNIST 手写数字识别
# 4. 30 分钟后，你已经训练了人生第一个 AI 模型！🎉
七、常见问题
Q：我数学不好能学 AI 吗？ A：能！深度学习的核心数学（线性代数 + 概率）让 AI 老师讲给你听。动手 > 理论。 你先跑通 3 个项目，再回头补数学。
Q：我没有 GPU 怎么办？ A：用 Google Colab（免费 T4 GPU，每天能用 12 小时）。不需要自己买显卡。
Q：30 天后我能找到 AI 工作吗？ A：实习 / 初级岗位可以。全职要看你的项目经验。建议你把 30 天做的 3 个项目放到 GitHub，附上 demo 视频。
Q：AI 模型训练太慢怎么办？ A：用预训练模型微调（LoRA），普通笔记本 1 小时就能训练一个定制模型。你不需要从零训练 GPT。
选完路线？从 Part 1 导论 开始——按顺序学完 Part 1\~Part 4（共 5\~6 天），然后按本页的 30 天路径走。
你将做出：一个能识别猫狗图片的 AI 模型，准确率 90%+。