第5章 Python 编程：动手的起点

前面四章，我们一直在”纸上谈兵”：认识向量、矩阵、导数、概率，还学会了让 AI 学会东西的梯度下降。从这一章开始，请打开电脑，跟着敲下真正的代码。别怕，Python 是为新手设计的语言 - 它像英语一样好读，而且 AI 世界几乎人人都用它。半小时后，你就能亲手写出第一个会”学习”的程序。

5.1 为什么学 AI 用 Python

编程语言有很多种：C、Java、JavaScript……但如果你想学 AI，Python 几乎是所有人的共同选择。原因有三条：

  • 生态最全。AI 需要的每个环节都有现成的”轮子”：NumPy 算矩阵、Matplotlib 画图、scikit-learn 跑机器学习、PyTorch 训深度学习模型。这些工具都叫”库”，装好之后就像给 Python 插上了各种功能插件 - 你不需要自己造轮子，拿来就能用。
  • 语法像英语。Python 读起来就像在念句子：print("你好") 就是把”你好”打印出来；用缩进代替花括号，还”强迫”你把代码写整齐，对零基础的人特别友好。
  • 社区最大。全世界几百万人在用 Python 写 AI，你遇到的任何报错，几乎都能在网上搜到现成答案。

一句话总结：学 AI 选 Python，就像学英语选全球通用语 - 资料最多、同伴最多、最不容易半路放弃。

图 5-1　Python 生态圈：核心语言很简单，专业工具各管一摊，组合起来就是完整的 AI 工作台

提示

类比：Python 是”乐高底座”
Python 本身很朴素，但装上不同”积木”（库）后就能拼出任何东西：装 NumPy 变成数学计算器，装 Matplotlib 变成画图板，装 PyTorch 变成深度学习平台。你只需要学会底座怎么用，以及怎么把积木拼上去。

5.2 半小时语法速成

别把编程想得太神秘。程序就是”按顺序执行的一串指令”，和菜谱没什么两样。你只需要认识六样东西：变量、列表、字典、for 循环、if 判断、函数。

变量就是给数据起名字：age = 18 的意思是”把 18 存进名字叫 age 的盒子里”。列表是一队排好队的数据，从 0 开始编号；字典是”按名字查值”的小本子 - 这两个结构几乎装下了 AI 里所有常见的数据。

for 循环让同一段代码重复执行，比如把列表里的分数挨个打印出来；if 判断让程序”看情况办事”，比如年龄到了 18 才打印”成年了”；函数则把一段逻辑装进”盒子”、起个名字，以后随时调用。先不用背，跟着下面的代码敲一遍、运行一遍，比读十遍都管用。

图 5-2　代码 → 运行结果：你写的是”菜谱”，Python 解释器是”厨师”

# 变量：给数据起个名字，随时可以改
age = 18          # 整数
price = 3.5       # 小数
name = "小明"      # 文字要加引号

# 列表：一队数据，从 0 开始编号
scores = [90, 85, 78]
print(scores[0])   # 第 1 个 → 90
print(scores[2])   # 第 3 个 → 78

# 字典：按"名字"找"值"
me = {"名字": "小明", "年龄": 18}
print(me["名字"])  # 小明
# for 循环：把列表里的元素挨个处理一遍
for s in scores:
    print(s)      # 依次打印 90、85、78

# if 判断：让程序"看情况"办事
if age >= 18:
    print("成年了")
else:
    print("未成年")
# 函数：把一段逻辑装进"盒子"，反复调用
def greet(name):
    return "你好，" + name + "！"

print(greet("AI"))   # 你好，AI！
注记

新手提示：缩进很重要
Python 靠缩进（行首的空格）区分”哪些行属于循环”。如果报错说 IndentationError，八成是缩进不对 - 把光标放到上一行末尾按回车，让缩进对齐就好。上面几段代码建议在同一个 Jupyter 里连着运行，这样 scores 和 age 会在后面继续使用。

5.3 NumPy：Python 的矩阵计算器

还记得第 1 章吗？AI 眼里的数据就是向量和矩阵，矩阵乘法是”交通枢纽”。可如果每次都要写一堆循环去算，人早就疯了。NumPy 就是 Python 的矩阵计算器：它把向量、矩阵装进”数组”里，一次算一整片。

np.array([1, 2, 3]) 创建一维数组，就像第 1 章的向量；np.array([[1, 2], [3, 4]]) 创建二维数组，就像矩阵。.shape 告诉你它是几行几列 - 调程序时几乎是每天都要用的。数组的运算特别省心：a + b 直接对应位置相加，不用写任何循环；M * 10 让每个数都乘 10。甚至形状不同的数组也能一起算 - 这叫广播，小的那个会自动”拉伸”成大的形状，就像数字 10 自动变成 [10, 10, 10]。

图 5-3　NumPy 数组运算：对应位置相加 + 广播自动拉伸

import numpy as np      # 导入 NumPy，起个小名 np

a = np.array([1, 2, 3])        # 一维数组，像第1章的向量
b = np.array([10, 20, 30])
print(a + b)                   # 对应位置相加 → [11 22 33]

M = np.array([[1, 2], [3, 4]]) # 二维数组，像矩阵
print(M.shape)                 # (2, 2)：2 行 2 列
print(M * 10)                  # 每个数都乘 10（广播）
重要

记住这个句式
看到 np.array、.shape、np.dot 这类”np.”开头的代码，就明白：这是在用 NumPy 这个矩阵计算器。第 1 章的 W·x（矩阵乘向量）在 Python 里写出来就是 np.dot(W, x) - 纸上谈兵和动手，在这里终于连上了。

5.4 Matplotlib：把数据画出来

一堆数字摆在眼前，你很难看出规律；画成图，一眼就有感觉 - 这就是”看到数据才有感觉”。Matplotlib 是 Python 最常用的画图工具，三种图最常用：

  • 折线图看趋势。比如训练时损失 loss 一路下降，说明模型正在变好。
  • 散点图看关系。比如身高和体重之间有没有关联、成什么方向。
  • 直方图看分布。比如全班成绩大多集中在哪个分数段。

用法非常简单：plt.plot 画折线、plt.scatter 画散点、plt.hist 画直方图，再用 plt.xlabel 给横轴起名，最后 plt.show() 把图画出来。以后你训练模型时，几乎每一步都要画图来”亲眼看看”数据发生了什么。

图 5-4　Matplotlib 常用图表：折线看趋势、散点看关系

import matplotlib.pyplot as plt  # 画图工具
import numpy as np

x = np.array([1, 2, 3, 4, 5])   # 横轴：第几天
y = np.array([2, 4, 1, 8, 6])   # 纵轴：学习小时数

plt.plot(x, y, "o-")            # 折线图，点上画圈
plt.xlabel("天数")
plt.ylabel("学习时间(小时)")
plt.title("我的学习曲线")
plt.show()                     # 弹出窗口显示图片
注记

别急，图会弹出来
在 Jupyter 里运行 plt.show() 后，图会直接显示在代码下方；在普通脚本里运行，则会弹出一个窗口，关掉窗口程序才会继续往下走。

5.5 你的第一个”AI 程序”

激动人心的时刻到了。我们要写一个真正会”学习”的程序：一个最简单的感知机，它只有三个样本，却能在训练中自己”悟出”一条直线，把两类点分开。

思路就来自第 4 章：给每个输入一个权重 w，算加权和再加偏置，得到分数；分数大于 0 就猜 1，否则猜 0。猜错了怎么办？沿着错误的方向调一调 w 和 b - 这就是梯度下降最简单的一次应用。

代码里的三个样本，前两个在左下方（标签 0），最后一个在右上方（标签 1）。训练 20 轮后，程序会打印出学到的 w 和 b，它们对应一条直线：w·x + b = 0。把这条直线画出来，正好把两类点分开。先别纠结每个细节，把它敲进 Jupyter 跑起来，亲眼看到它”学会了” - 那种感觉，和读十页书完全不一样。

import numpy as np
# 3 个样本：前两个是 0 类，最后一个是 1 类
X = np.array([[1, 2], [2, 1], [4, 4]])
y = np.array([0, 0, 1])
w = np.zeros(2)  # 权重从 0 开始
b = 0.0          # 偏置
lr = 0.1         # 学习率
for _ in range(20):          # 训练 20 轮
    for i in range(3):       # 每轮过 3 个样本
        score = np.dot(X[i], w) + b  # 加权求和打分
        pred = 1 if score > 0 else 0 # 分>0 猜 1
        e = y[i] - pred              # 猜错才更新
        w += lr * e * X[i]
        b += lr * e
print(w, b)  # 学到的直线参数

图 5-5　感知机训练后学到的决策边界：一条直线把两类点分开

重要

感知机的三步循环
打分（score = w·x + b）→ 判断（分数 > 0 猜 1，否则猜 0）→ 纠错（猜错了就按学习率调整 w 和 b）。这三步，就是第 4 章梯度下降和后面神经网络训练的共同骨架。

5.6 搭建你的学习环境

工欲善其事，必先利其器。你只需要装好三样东西，就能愉快地写 Python：Anaconda 是一个”全家桶” - 装它一个，Python 和 NumPy、Matplotlib 等常用库就都齐了，省去一个个安装的麻烦；Jupyter Notebook 是”会记住每一步的草稿纸”，一格一格写代码、运行、看结果，特别适合学习；VS Code 是正经的代码编辑器，写大工程时用，还带中文提示和报错标红。

新手推荐路线：先装 Anaconda（一步到位），用自带的 Jupyter 开始学；熟悉之后想写正式项目，再装 VS Code。下表是安装要点，跟着做就行。

工具 它是干嘛的 安装要点 什么时候用
Anaconda 一键装好 Python + 常用库（NumPy、Matplotlib 等） 官网下载安装包，一路”下一步”；装完在开始菜单找 Anaconda Prompt 第一步就装它，一劳永逸
Jupyter Notebook 一格一格写代码、跑代码的”草稿纸” Anaconda 自带；在 Anaconda Prompt 输入 jupyter notebook 回车 学习、写小代码、画图 - 新手主力
VS Code 功能强大的代码编辑器，带提示和报错标红 官网下载安装；装 Python 扩展；第一次运行先选 Python 解释器 写正式项目、脚本，配合 Git 用
注记

遇到报错别慌：这是程序在跟你说话
报错不是失败，而是电脑在告诉你”这里出问题了”。每个程序员一天都要撞上几十个报错。记住三步：① 看最后一行错误信息，它通常最有用；② 把错误原文（比如 NameError: name 'x' is not defined）复制到搜索引擎；③ 照着改代码、重跑。靠自己的力量改对一个报错，比背十页书都记得牢。

重要

本章要点

  • Python 是 AI 的首选语言：生态全、像英语、社区大。
  • 语法速成六件套：变量、列表、字典、for、if、函数 - 会这六样，就能看懂大部分 AI 代码。
  • NumPy 是矩阵计算器：数组、shape、运算、广播；第 1 章的 W·x 在代码里就是 np.dot(W, x)。
  • Matplotlib 让数据”看得见”：折线看趋势、散点看关系、直方图看分布。
  • 感知机的三步循环（打分 → 判断 → 纠错）就是你第一个 AI 程序的核心。
  • 环境三件套：Anaconda + Jupyter + VS Code；报错不可怕，按”三步排查法”走。
警告

衔接 · 下一站
恭喜！你现在已经能看懂、能写出最基础的 Python，还亲手跑了一个会”学习”的感知机。下一站是第 6 章《机器学习基础：AI 怎么学会》 - 那里会用 Python 代码把”训练、测试、评估”完整串起来。想提前读主书《人工智能理论与实践》的感知机、神经网络章节？你已经有读代码的基础了，配合李沐的《动手学深度学习》边读边敲，效果最佳。