技术栈一览 #
python语言 #
推荐的学习资料如下
- 【黑马程序员Python+AI零基础入门到大神全套视频课程,覆盖Python核心语法、AI应用、数据分析及Web应用等python实战项目开发全流程】 P01-P87是python的基础知识,P137-151是数据处理相关包的使用,P160-P172是面向对象的进一步阐述。其他如案例、Web应用没必要看。
- 《Python编程:从入门到实践》,这是我python的启蒙书,非常适合新手入门,但在AI的发展下这种看书学习的效率其实<看网课<看官方文档敲代码。
- https://cs61a.org/fa26/ 大名鼎鼎的CS61A,加州大学伯克利分校出品,更加侧重编程的抽象概念,难度很大,赶时间的不用学。
如果你是刚入门科研的新手,或者是从来没有学过编程的学生(比如跨行,跨专业者),我推荐先按学习资料1看网课敲代码入门,去下载2的电子版辅助看,3不用看;如果你本科就是计算机专业或者有相关的基础,在刷网课的时候我推荐你不看视频,而是用插件之类的把视频字幕下载到本地,对着文本学习,有疑问的地方再回看视频,你要是觉得视频知识密度太低, 可以用插件调快视频播放速度;如果你的基础知识很牢固,我推荐学3,而且要全英文做homework和lab,这个课程更多的是从抽象的角度角度出发让你解决实际问题,你会完整学到如何系统思考问题和如何用编程语言处理问题,而不是学习python语言的奇淫技巧,这种通用的知识才是计算机学生所欠缺的。
另外我要说的是,对于如pandas、numpy、matplotlib这种包,语法是最不重要的,不要刻意学习函数名字是什么,有几个参数,直接把你的需求告诉AI,让他帮你就行。而你以后科研要使用的torch库,需要仔细学习其实现的逻辑,比如矩阵乘法、前向传递和反向传递、计算图和广播机制,以及学会向量化操作、规范处理输入值和特征等。
如果是2022年之前,我还会说你要学会如何高效地搜索和收集信息,如何debug并遵循一定的规范向别人求助。但是在AI的帮助下,可以说99.99%的bug AI都能帮你解决,完全没必要像古人那样去CSDN、stackoverflow去找帖子看解决方法,不过我担心的就是这点——最大的便利往往就是最大的毒药,以往debug最大作用是:你被逼无奈去补充计算机网络的知识,形成了指针不用要释放,地址不要越界,稳定大于性能的肌肉记忆,bug强迫你面对不熟悉的领域,直到你掌握了它,它我想起余华说的那句话,“当你写作感到痛苦的时候,那就是提升的地方”。所以,在时间允许的情况下,笔者鼓励你自己找出相应的问题和解决方案,尤其是新手。
AI给了你绝世武功,但是没让你忍受常人难以忍受的痛,这力量本不属于你。
conda与jupyter #
目前主流的conda有两个,一个是anaconda,最完整,占用空间也最大,安装过程比较复杂;另一个是miniconda,相当于精简后的anaconda,实际使用上和anaconda差不多,在服务器中占比大。
jupyter是基于网页的交互式计算环境,人话就是一边做笔记一边运行python程序,类似Matlab的实时脚本。这个你会在使用如AutoDL云租卡服务的时候经常看到和使用。
- 【Anaconda】史上最全最详细的Anaconda下载安装及使用教程[通俗易懂] anaconda如何安装的问题,miniconda同理,你可以让AI代劳安装,并且告诉AI“请使用清华的镜像源去下载”,这样能提升下载速度。
- Jupyter Notebook 教程|菜鸟教程 文字版看一下,安装相关的软件和插件,这网页上的知识基本够用了。
学conda最重要的就是环境管理。无论你使用实验室的资源还是云租卡,模型训练都是要依靠大量的包和特定的python解释器,如果不用conda创建虚拟环境,就会导致电脑上存在许多个python解释器以及environment却难以区分的情况。此外,你使用实验室设备或者云服务的时候,出于隐私安全的要求,大概率是通过上传文件的方式去创建虚拟环境,不允许上网直连安装,必须要学会把相关的包和程序打包起来然后上传解包。
jupyter的定位是“数据清洗和统计分析”,因为它能将CSV、图表以嵌入的方式展示在程序中,无需跨越多个软件,非常适合可视化处理数据,我在实践中也常常用jupyter完成对dataset的处理。
计算机网络与Linux基础 #
- 计算机网络微课堂(有字幕无背景音乐版) 建议是全看完,如果赶时间至少要懂一点MAC、IP、TCP和DHCP协议,最起码你以后在用SSH连接实验室设备和云服务器的时候知道问题在哪里,会插网线连接,以及能解决服务器维护的问题。这其实算是计算机专业学生的常识。
- Ubuntu教程,乌班图ubuntu系统安装到实战 这个是重点,你以后和服务器打交道多半使用的Ubuntu的系统,cuda的驱动,而且一般是没有图形化界面的,你需要使用SSH远程连接+命令行的方式实现remote。
关于SSH连接服务器的问题。这个建议看你师兄师姐平时是怎么连接的,目前我实际体验过的方案如下
- 使用xshell连接,xftp传文件
- 使用vscode+remote插件连接
- Windows端使用powershell,macOS使用iterm2通过命令ssh直接连接
目前看来,方案一的功能最多,方案二使用人数多但存在网络带宽限制的问题,方案三最轻量级但比较原始,根据你实际要求选择合适的方案。
机器学习与深度学习 #
在2026年,AI领域已经很少用纯粹的机器学习知识做科研了, 现在基本上都是深度学习,各种架构,decoder和encoder组合,叠层,Agent,多模态相关,不过模型训练的基本原理还是那几个,数学的知识点你依然逃不过:-)。
- 数学基础:高等数学,线性代数,概率论与数理统计。牢三样你就学吧,建议去B搜宋浩的视频,而且你一定要动手去推导,重点关注:导数,链式求导法则,微分与微分方程,积分,向量,偏导数,方向导数和梯度,多元函数极值问题;矩阵及其运算,向量,特征值与特征向量,正交化;正态分布等各种分布,期望与方差。
- 【官方中英】2025年公认最好的【吴恩达机器学习课程】附课件、代码及实战项目!!!–人工智能/机器学习/深度学习 看到P99就差不多了,后面都是一些具体的机器学习算法,如果不符合自己的科研方向其实学习意义不大,强烈推荐你看吴恩达老师的讲义(全英文)并做吴恩达老师的课后作业。
- 数学进阶:在学习的过程中会涉及到其他的数学知识,比如张量及其运算,欧式距离,范数,信息熵这些,不用刻意找对应的教材学习,让AI教你即可。
- PyTorch深度学习快速入门教程(绝对通俗易懂!)【小土堆】 从一个小型的模型出发,让你大概了解训练一个模型的过程以及PyTorch框架的使用,一开始不懂很正常,以后多写就会了。
- 动手学深度学习2.0.0 深度学习的书,这个是重点,你一定要跟着写代码。B站李沐有相应的视频,实际观看下来只是对部分地方重点讲解,意义不大。如果英语够好建议去看英文,中文很多翻译不通畅而且有漏洞
- 【高清重制】2025年公认最好的【吴恩达深度学习课程】附作业习题、代码及实战项目!–人工智能/深度学习/神经网络 如果看李沐的书看不懂(大概率,因为笔者也是:-)),建议先看这个这个视频学习,也同样推荐看讲义和写作业,推荐全看完。
- 【官方双语】GPT是什么?直观解释Transformer | 深度学习第5章 3b1b的可视化讲解transformer,有助于你去理解架构背后到底发生了什么,这些embeddings,qkv,向量距离的现实意义是什么。这一系列的视频建议看完。
新手我极其推荐手动推导相关的公式,如矩阵的乘法,反向传递和计算图,损失函数,激活函数,用学习率更新参数等,你看多了别人论文的开源代码,就会发现这些代码不过是论文里面公式的“翻译”,用python去表示而已,可以这么说,会推公式$\approx$会写相关的代码。
当你学完以上的知识,对于AI科研来说理论知识基础已经差不多及格了,剩下的就是根据你的研究方向补充对应的知识,比如多模态、Agent、知识追踪、CV、算法、差分隐私、密码学等。其实剩下的部分才是学的最久的,贯穿你研究生涯,直到你研究生毕业的那一刻,这段路程才算走完。
当然,实际上的AI科研技术栈不仅局限于此,后面会有一些实操技巧,比如读写论文的注意事项,如何开展实验,租卡使用,论文画图和ppt制作等,有需要的读者可以接着往下看。