本教程采用小步快跑、快速迭代的方式，最近更新时间：2025年3月10日，增加AI代码学习的第三、第四阶段学习安排

本教程包含的PDF资源来源于热心会员的贡献，感谢大家的支持！

会员是面试天下网最核心的竞争力，所以本教程所包含的PDF资源仅限于会员使用，申请入口：请点击链接...

前言

《人人学AI》的门槛很低，只要是高中以上的学历就可以学起来，真正人人可学AI。

《人人学AI》总共有三大部分构成，如下图所示：

一、AI笑话

AI看似高深，实则并不难，人人都可以学好它。

纵观科学发展史，当计算机刚发明出来的时候，只有科学家这类少数人群才能接触和使用这一高端产品，后来慢慢扩散到普通大众，成为人们生活中习以为常的普通商品。

AI技术也是如此，大家不要觉得AI只能高学历人群才能玩转，实际上他们也会闹出很多笑话。下面给大家举个真实的例子，破除大家对高端人士的迷信，同时树立自我学习AI的信心。

2024年4月中旬，第三届智能决策论坛召开了。这次论坛采用线下参会和线上同步直播的方式进行，线下参会人员200余人，线上参与人数超过8.5万，受到了学界的广泛关注。但是，如此众目睽睽之下，竟然发生了一件匪夷所思的奇葩事故---上海交通大学的温颖竟然将实验图片放置反了，如下图所示：

上面红框是出错的图片，其中左边是人形智能体，右边是半猎豹智能体。

备注：半猎豹指的是把猎豹从中间分开，只保留一侧的前后腿，简化模型，有助于学习训练。

这两个图片用于展示智能体学习走路的实验过程，正确的图片应该是地板在下，腿脚踏着地板前进，类似下面这样的形式：

而在交大温颖的PPT上，地板却是在上面，智能体呈现四脚朝天的运动状态，真是滑稽可笑。

俗话说，一叶知秋，见微知著。从这个错误的图片来看，我有点怀疑交大温颖的演示实验是否真实可靠。作为一名学者，弄虚作假，实属一个严重的问题。当然，从人性的角度来看，科研本来就枯燥无味，每个人都在摸鱼，本也无可厚非罢了。

其实，我希望大家通过这个笑料，破除对高学历人士的迷信，不要觉得他们都很厉害，AI只有他们能才能搞，世界本来就是由草台班子组成，你只要想去做，你也可以的！

二、AI资源

关于学习AI技术的路线图，网上有很多。但是，这个路线图有一个明显的特点，它是活的，不是死的。针对这个学习路线出现的任何问题，都可以找我来反馈和沟通，我会给出令你满意的解答。

本路线图的时间单位为周，你可以知道自己每周应该干些什么。当然，你也可以根据自己的情况从一周变成两周，但是你不能沉醉其中，从而因小失大，你应该继续向前行进才行。

学习分为两种形式：读书和动手。人读书可以很快，一天一本，但是动手则会慢得多。动手能力本质是一个习惯问题，任何问题一旦上升到习惯层面，则是一件非常困难的事。就拿Python编码来说，新人需要差不多半年的时间，才能流畅的写代码。但是，在本路线图中，不会留给你半年时间卡在编码节点，你只需要了解即可。

第一阶段：准备阶段。

在这个阶段，不需要学习数学和编程知识，重点是了解和熟悉深度学习的历史和发展现状，从而对深度学习有个心里印象。在本阶段，重点推荐下面几本书：

• 1、人工智能导论，出版时间2022年8月，作者金军委。

• 2、人工智能导论：模型与算法，出版时间2020年5月，作者吴飞。

• 3、人工智能导论（第2版），出版时间2024年11月，作者郭军。

提醒1：可解释人工智能导论，这本书不推荐，飞燕最讨厌这种出书方式，搞一堆作者，完全是为了“政绩”，心思完全不在书上，还要点脸吗？

第二阶段：AI数学学习阶段。

对于AI数学的学习，我觉得一定要体现出“AI味道”，具体来说，总共有两点：

（一）一定要紧抓AI，不要跑偏，不要变成了纯粹的数学学习。很多出版社，为了让书更加厚重，东拉西扯，高了很多没有用的东西，浪费了读者的宝贵时间。比如说，机器学习的数学，出版时间2021年1月，作者雷明。

（二）抓住核心的几点，一定要多复习多思考。对于核心的数学知识，我觉得有下面五个：

（1）理解梯度的概念，掌握梯度下降法和梯度上升法求函数的最小值和最大值。

（2）掌握迭代法求解方程的思想。因为学校教育的终点是考试，所以给大家灌输的是“公式思维”，而在真正的社会实践中根本没有公式可言，所以迭代法才是真正有用的思维。其实，思维习惯很难纠正的，所以我建议大家对待迭代法要多思考多体会，多读相关的数学读物，重点推荐《数值计算》类型的书籍。

（3）带约束条件的优化问题：拉格朗日乘子法。拉格朗日是非常出名的大数学家，影响力极其深远。在深度学习领域，拉格朗日乘子法是我们深入了解这位伟大科学家的好机会。

（4）正态分布相关的知识。正态分布又叫高斯分布，据说高斯一生有几百个数学发现，但是只有正态分布才是对人类最大的贡献，可见正态分布的分量有多重。另外，高斯过程也是非常重要的。

（5）数据空间的变换：核函数。这是一个抽象的领域，最能体现出数学的抽象之美。

在本阶段，重点推荐下面几本书：

• 1、机器学习的数学，出版时间2021年1月，作者雷明。虽然在上文中点名对这本书进行了批评，但是红花需要绿叶配，大家读完这本书的繁琐无味，更能体会其他精品书籍的畅快淋漓。

• 2、机器学习中的数学，出版时间2019年11月，作者孙博。

• 3、人工智能数学基础，出版时间2020年10月，作者唐宇迪。

• 4、人工智能数学基础，出版时间2021年4月，作者陈华。

• 5、人工智能的数学基础，出版时间2022年9月，作者冯朝路。

提醒1：人工智能数学基础，出版时间2022年9月，作者董久祥。这本书就是坑，虽然名字带上了人工智能，但是里面很多纯数学的东西，真是一本大忽悠之书。

提醒2：此阶段的学习时间建议控制在2-3个月即可。千万不要时间太长，看得越久，你会发现不会的东西越多，你会为了满足自己的好奇心而深挖，如此一来，你的方向就跑偏了。需要注意下，后面有个阶段是PyTorch的学习，它的本质也是数学，它才是你要真正学习的AI数学。

第三阶段：AI入门阶段（掌握PyTorch技术）。

这个阶段以PyTorch技术为核心，重点推荐下面几本书。

需要提醒大家一下：别搞什么TensorFlow，更别搞什么百度飞桨，这些玩意都是坑，坑到你怀疑人生，所以你就踏踏实实的用PyTorch。

• 1、动手学深度学习（PyTorch版），出版时间是2023年02月，作者是阿斯顿·张、李沐等

• 2、深度学习框架PyTorch：入门与实践（第2版），出版时间是2022年07月，作者是王博、陈云

• 3、动手学PyTorch深度学习建模与应用，出版时间是2022年03月，作者是王国平

• 4、深度学习原理与PyTorch实战，出版时间是2022年4月，作者是集智俱乐部

提醒大家：这些书你需要走马观花的读上几遍就行了，不需要花费太多的时间，只需要明白PyTorch的基本用法就行了。PyTorch可以用在多个方面，例如计算机视觉，自然语言处理，强化学习等领域，每个领域都有很多的知识，所以仅仅靠这些书上某章的介绍，你很难吃透这些领域的。很多人读完这些书之后，感觉内心很空虚，这完全是正常现象，不必过于担心。

第四阶段：计算机视觉学习阶段。

深度学习最初的爆发点就是计算机视觉领域，所以搞AI的人不懂点计算机视觉那就说不过去了，所以下面几本书可以看看。

另外，计算机视觉的项目基本上人人都可以玩的开，数据是现成的，而且收敛也快，很快就能拿到结果。当进入后面阶段的强化学习和大模型，那就吃力多了。强化学习项目，你可能跑上几天几夜都无法收敛，而大模型则更能难搞，太耗费算力了，普通人根本无法玩转。所以，深度学习最初的爆发点为什么集中于计算机视觉领域，是有得天独厚条件的。

• 1、PyTorch计算机视觉实战：目标检测、图像处理与深度学习，出版时间是2023年9月，作者是基肖尔·阿耶德瓦拉

提醒：大家品一品这本书的书名，明显有问题，“目标检测”、“图像处理”、“深度学习”这个三个概念不是一类事物，没有并列关系，好比是：苹果、八宝粥、午餐，三者并列放在一起十分诡异！

• 2、PyTorch深度学习与计算机视觉实践，出版时间是2024年7月，作者是王晓华。

• 3、计算机视觉中的深度学习，出版时间：2021年6月，作者是姜竹青。

• 4、计算机视觉实战：语义分割与目标检测，出版时间是2024年7月，作者是贾壮。

• 5、YOLO目标检测，出版时间是2023年12月，作者是杨建华。

第五阶段：自然语言处理学习阶段。

• 1、自然语言处理：基于预训练模型的方法，出版时间是2021年7月，作者是车万翔。

• 2、PyTorch深度学习指南：序列与自然语言处理 卷III，出版时间是2024年4月，作者是丹尼尔·沃格特·戈多伊。

• 3、Transformer自然语言处理实战，出版时间是2024年1月，作者是Lewis Tunstall。

第六阶段：大模型学习阶段。

关于大模型的学习，我给出的学习路线是这样的：

学习Transformer技术->了解BERT技术->了解ChatGPT技术->学习大模型与强化学习交叉技术->了解模型压缩和知识蒸馏技术->了解DeepSeek技术

需要提醒大家的是，在上面学习路线中，有的地方需要你去学习它，而有的地方需要你去了解它，因为大模型技术设计到的东西太多了，如果你面面俱到则花费时间是巨大的，而且容易走入死胡同。

由于大模型技术的发展还处于历史早期，所以很多技术更新迭代的太快，今日你所学的炙手可热的新技术，也许明天就是无人问津的老古董，所以大家没有必要把自己搞得很专一很深情，只需要蜻蜓点水，走马观花的态度就可以了。

针对上面提出的学习路线，每个节点我给出的参考书如下所示：

• 1、学习Transformer技术，请阅读《Transformer自然语言处理》，出版时间是2024年1月，作者是Hugging Face的开发工程师。

• 2、了解BERT技术，请阅读《BERT基础教程》，出版时间是2023年2月，作者是苏达哈尔桑.拉维昌迪兰

• 3、了解了解ChatGPT技术，请阅读《ChatGPT原理与架构》，出版时间是2023年12月，作者是程戈。

• 4、学习大模型与强化学习交叉技术，请阅读《大模型强化学习入门精华》，网上开源教程。

• 5、了解模型压缩和知识蒸馏技术，请阅读《高效深度学习：模型压缩与设计》，出版时间是2024年7月，作者是汪玉。

后记

读书，不在于多，而在于精。对于初学者来说，要不断地降低目标，哪怕走马观花地把书翻一遍，就相当于完成了一个小目标，往前迈出了一步。抱着这样的心态，我相信每个人都可以学会AI的。

三、AI代码

下面给大家推荐一些精品代码，非常重要，值得每个人都要看看。

第一阶段：PyTorch入门代码

这份教程是PyTorch官方编写的，非常重要，建议初学者一定要仔细的阅读几遍。长久以来，我向很多人推荐过这个入门教程，它值得每个初学者认真的阅读：PyTorch官方入门指导文档

这份教程总共分为8个小节，如下所示。从数据处理到模型构建，再到训练模型以及优化参数，最后保存模型，一气呵成，短小精悍，非常有价值，值得每个初学者认真的阅读：

第二阶段：ReLu函数实现非线性拟合

ReLU函数是最常见的激活函数，它的出现是AI技术的一大革命。ReLu函数虽然看似简单，但是却能实现强大的非线性功能，如下所示：

具体的代码实现，请移步：ReLu与非线性的理解

第三阶段：Transformer的复现

AI代码部分是严格按照深入浅出、承上启下的顺序进行布局的。在上面带领大家学习了全连接线性网络的神奇之处，接下来带来大家学习Transformer的脑洞大开。

很多人可能会反驳我，觉得全连接线性网络并无神奇之处。在我看来，那是因为你熟视无睹罢了。就拿电脑来说，这是人类科技史的重大突破，但是因为人人手持电脑，所以忘却了它的神奇罢了。

真正的“脑洞大开”这顶帽子，我觉得应该更应该戴在LSTM头上，因为它有遗忘门，记忆门等各种门，完全模拟了人脑的基本原理。令人可惜的是，Transformer最终把LSTM干趴下了。

Transformer最大的特点是：自注意力和位置编码。请看下面的代码：

......

第四阶段：学习开源框架MiniMind

2024年2月份我发现了一个非常好的大模型项目MiniMind，它完全是基于PyTorch手搓的。

......