今天给大家讲讲关于AI，打通视觉，NLP，机器学习，深度学习，推荐搜索，AIGC，大模型等等这些当下最热门技术，我将从以下9个方面给大家做详细讲解关于AI人工智能算法工程师的相关知识。

阶段一：从AI全面认知到基础夯实-行业认知&Python&必备数学
阶段二：从AI核心技术理论体系构建到项目实战： 机器学习&深度学习
阶段三：构建AI的数据驱动力--数据预处理工程
阶段四：AI 深度学习框架实战- Pytorch从基础到进阶
阶段五：AI核心算法+方法——经典深度学习模型实战
阶段六：AI计算机视觉核心技术与项目实战-工业&医疗与直播&自动驾驶等主流领域
阶段七：AIGC火热领域技术与项目-文本图像生成&扩散模型等
阶段八：NLP自然语言处理与LLM大语言模型应用实战
阶段九：AI工程师入行&转化&就业&面试指导

首先，我们先来说说什么是人工智能：
人工智能（Artificial Intelligence），简称为AI，是一门集多学科于一体的综合性技术科学。它的核心目的是创造出能够模拟人类思维能力的机器，使其具备感知、思考和决策的能力。

自然语言处理（Natural Language Processing，简称NLP）是计算机科学和人工智能领域的一个重要分支。它的核心目标是让计算机能够理解和生成人类自然语言，这包括了文本、语音等多种形式的人类语言输入输出。

机器学习是一门人工智能的科学，其核心在于计算机通过对数据的学习和经验积累来自动提升性能。

深度学习是机器学习的一个子领域，它受到人类大脑神经网络的启发，旨在模拟人类的学习过程。

生成式人工智能——AIGC（Artificial Intelligence Generated Content），是指基于生成对抗网络、大型预训练模型等人工智能的技术方法，通过已有数据的学习和识别，以适当的泛化能力生成相关内容的技术。

大模型是指包含超大规模参数（通常在十亿个以上）的神经网络模型。


接下来，我们讲解环境的安装配置：

安装CPU版本PyTorch
# 创建PyTorch环境
conda create -n torch2 python==3.10

# 进入环境
conda activate torch2

# 安装cpu版本pytorch
pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cpu

验证CPU版是否安装成功
import torch

print(torch.__version__)
print(torch.cuda.is_available())

输出
2.0.0+cpu
False

Tensor存储的数值
Tensor 可以用多种方法进行初始化。下面给出例子：

直接传数据
Tensor可以直接从数据进行创建，数据类型会自动适应。
import torch

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
print(x_data)

使用Numpy数据
可以通过Numpy矩阵中进行创建
import torch
import numpy as np

np_array = np.array([[1,2],
                     [3,4]])
x_np = torch.from_numpy(np_array)
print(x_np)

利用已有tensor
根据已有的数据形式（形状，数据类型），创建出新的tensor

import torch

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

# 保持了 x_data 的数据属性与形状
x_ones = torch.ones_like(x_data) 
print(f"Ones Tensor: \n {x_ones} \n")

# 保持x_data的形状，重新定义 x_data 的数据属性
x_rand = torch.rand_like(x_data, dtype=torch.float) 
print(f"Random Tensor: \n {x_rand} \n")


最后到案例部分：
案例1：导入两个列表到Dataset
举一个例子，
from torch.utils.data import Dataset, DataLoader

class MyDataset(Dataset): # 继承自Dataset
    def __init__(self, ): # 定义数据集包含了什么东西
        self.x = [i for i in range(10)]
        self.y = [2*i for i in range(10)]
    def __len__(self): # 返回数据集的总长度
        return len(self.x)
    def __getitem__(self, idx): #当数据集被读取时，需要返回的数据
        return self.x[idx], self.y[idx]

my_dataset = MyDataset()
my_dataloader = DataLoader(my_dataset)

for x_i, y_i in my_dataloader:
    print("x_i = ",x_i, " y_i = ",y_i)

输出
x_i =  tensor([0])  y_i =  tensor([0])
x_i =  tensor([1])  y_i =  tensor([2])
x_i =  tensor([2])  y_i =  tensor([4])
x_i =  tensor([3])  y_i =  tensor([6])
x_i =  tensor([4])  y_i =  tensor([8])
x_i =  tensor([5])  y_i =  tensor([10])
x_i =  tensor([6])  y_i =  tensor([12])
x_i =  tensor([7])  y_i =  tensor([14])
x_i =  tensor([8])  y_i =  tensor([16])
x_i =  tensor([9])  y_i =  tensor([18])

案例2：导入Excel数据到Dataset中
dataset只是一个类，因此数据可以从外部导入，我们也可以在dataset中规定数据在返回时进行更多的操作，数据在返回时也不一定是有两个。
from torch.utils.data import Dataset, DataLoader
import pandas as pd
class MyDataset(Dataset): # 继承自Dataset
    def __init__(self, data_loc): # 定义数据集包含了什么东西
        data = pd.read_excel(data_loc)
        self.x1, self.x2, self.x3, self.x4, self.y = data['x1'], data['x2'], data['x3'], data['x4'], data['y']

    def __len__(self): # 返回数据集的总长度
        return len(self.x1)

    def __getitem__(self, idx): #当数据集被读取时，需要返回的数据
        return self.x1[idx],self.x2[idx],self.x3[idx],self.x4[idx], self.y[idx]

if __name__ == '__main__':
    data_loc = "模仿数据读取.xlsx"
    my_dataset = MyDataset(data_loc)
    my_dataloader = DataLoader(my_dataset, batch_size=2)

    for x1_i,x2_i,x3_i,x4_i, y_i in my_dataloader:
        print(f"x1_i={x1_i},x2_i={x2_i},x3_i={x3_i},x4_i={x4_i}, y_i={y_i}")