Frees Ling
搜索
← 返回文章
生活6 分钟阅读

Simple-AI

这是一个关于入门级别构建一个简单的，可训练的AI模型的指南。

构建一个简单的AI模型入门指南

引言

由于所学知识的增加，以及对AI的好奇，我决定尝试构建一个简单的AI模型作为我AI 学习的入门项目

本文将依据网上资料，ChatGPT的帮助，以及个人经验，介绍如何构建一个基础的AI模型。具体数学原理等到后续有时间再补充。

关于AI模型

AI的本质是什么？如何去定义一个AI

在我看来，AI的本质实际上是让机器通过数据和算法“学习”并发现规律，在此基础上进行预测或生成内容。

组成要素
  • 数据（Data）：原材料，训练/验证/测试集
  • 模型/表示（Model/Representation）：用数学或结构表示规律
  • 学习算法（Learning Algorithm）：如何从数据中调整模型参数（eg：梯度）
  • 目标/损失（Objective/Loss）：定义标准（准确率）
  • 评估与泛化（Evaluation/Generalization）：测试模型在新数据上的表现
  • 部署与反馈（Deployment/Feedback）：实际应用和持续改进（线上A/B，持续学习）

判断一个AI

  • 可以从经验（数据）改善自身（具有学习能力）
  • 能推断/预测新数据（不是训练数据）
  • 能在某类任务上可以自动化决策
  • 自适应……

分类

  • ANI（Artificial Narrow Intelligence，弱AI）：专注于特定任务（eg：图像识别）
  • AGI（Artificial General Intelligence，强AI）：具备广泛认知能力（eg：ChatGPT）
  • ASI（Artificial Super Intelligence，超AI）：超越人类

构建一个简单的AI模型（以二分类为例）

实现步骤（理论）

  • 明确任务
  • 收集或构造数据：CSV,Excel,数据库
  • 特征工程：清洗数据，缺失值处理，标准化，one-hot编码
  • 选择模型与训练：eg：逻辑回归，决策树，神经网络
  • 评估模型：混淆矩阵，ROC，交叉验证，F1-score
  • 部署或保存：保存模型，API

一些定义的解释
清洗数据：把原始数据转为适合建模的形式（去噪、统一格式、移除重复、修正错误等）
缺失值处理：均值填充，删除行/列
标准化：把特征缩放到可比的数值范围，常用于基于距离或梯度的模型
one-hot编码：把类别特征转换为二进制向量，每个类别对应一列（互斥）
混淆矩阵：二分类或多分类预测结果的计数表（TP/FP/FN/TN）
ROC曲线：ROC 曲线以假阳性率（FPR）为横轴、真正率（TPR）为纵轴
交叉验证：把训练集分成多个折（folds），轮流作为验证集以评估模型稳定性
F1-score：精确率（Precision）和召回率（Recall）的调和平均：F1 = 2 × (P × R) / (P + R)

用scikit-learn写一个简单的二分类AI模型

环境准备

建议环境Python 3.8+

  • 建立一个虚拟环境（可选）

# windows [powershell]

python -m venv venv
.\venv\Scripts\Activate.ps1

# macOS/Linux

python3 -m venv venv
source venv/bin/activate
  • 安装依赖
pip install numpy pandas scikit-learn joblib flask
  • joblib: 保存/加载模型
  • flask: 做成HTTP任务

训练脚本

将下列代码保存为train_model.py


# ==============================================================
# File: TrainModel.py
# Author: Frees Ling
# Created: 2025-10-24
# Description: A script to train a simple logistic regression model
#              to predict student pass/fail based on hours studied.
# Version: 1.0
# ==============================================================

import argparse
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import joblib
import os

from tensorflow.python.data.util.structure import NoneTensor

def load_data(csv_path):
    """
    CSV format: hours_studied, passed
    passed: 0 or 1
    """
    df = pd.read_csv(csv_path)

    # check

    assert 'hours_studied' in df.columns and 'passed' in df.columns, "CSV must have hours_studied and passed columns"
    X = df[['hours_studied']].values
    Y = df['passed'].values
    return X, Y

def train_save(csv_path, model_out='model.joblib', scaler_out='scaler.joblib', test_size=0.2, random_state=42):
    X, Y = load_data(csv_path)
    X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=test_size, random_state=random_state, stratify=Y if len(np.unique(Y)) > 1 else None)

    scaler = StandardScaler()
    X_train_s = scaler.fit_transform(X_train)
    X_test_s = scaler.transform(X_test)

    model = LogisticRegression(max_iter=200)
    model.fit(X_train_s, Y_train)

    Y_pred = model.predict(X_test_s)
    print("Accuracy:", accuracy_score(Y_test, Y_pred))
    print("Confusion Matrix:\n", confusion_matrix(Y_test, Y_pred))
    print("Classification Report:\n", classification_report(Y_test, Y_pred))

    joblib.dump(model, model_out)
    joblib.dump(scaler, scaler_out)
    print(f"Saved model -> {model_out}, scaler -> {scaler_out}")

if **name** == "**main**":
    parser = argparse.ArgumentParser(description='Simple AI First test')
    parser.add_argument('--csv', type=str, default="data.csv", help='Path to the CSV data file')
    parser.add_argument('--model_out', type=str, default="model.joblib", help='Path to save the trained model')
    parser.add_argument('--scaler_out', type=str, default="scaler.joblib", help='Path to save the scaler')
    parser.add_argument('--test_size', type=float, default=0.2, help='Test size')
    parser.add_argument('--random_state', type=int, default=42, help='Random state for reproducibility')
    args = parser.parse_args()

    if not os.path.exists(args.csv):
        #If no csv file, create a sample one
        sample = pd.DataFrame({
            'hours_studied': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
            'passed': [0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
        })
        sample.to_csv(args.csv, index=False)
        print(f"Sample data created at {args.csv}. Edit it to add your data, then re-run training.")
    train_save(args.csv, args.model_out, args.scaler_out, args.test_size, args.random_state)

运行训练脚本

  • 使用示例数据自动生成并训练
python train_model.py

# 注意要在同一文件夹下运行
  • 或者使用自己的CSV数据
python train_model.py --csv your_data.csv --model_out my_model.joblib --scaler_out my_scaler.joblib

注意：

  • CSV必须有hours_studied和passed两列（你可以拓展特证名，然后在load_data修改）
  • 在里面我是用stratify = Y来保证训练集和测试集的类别分布一致

运行示例图如下 image 如果没有csv文件，会自动生成一个示例文件data.csv，你可以编辑它来添加自己的数据，然后重新运行训练脚本。

加载模型并进行预测（命令行）

将下列代码保存为predict_cli.py


# ==============================================================
# File: predict_cli
# Author: Frees Ling
# Created: 2025/10/24
# Description: Cli tool to predict student pass/fail using a trained model
# Version: 1.0
# ==============================================================

import argparse
import joblib
import numpy as np

def predict(hours, model_path='model.joblib', scaler_path='scaler.joblib'):
    model = joblib.load(model_path)
    scaler = joblib.load(scaler_path)
    X = np.array(hours).reshape(-1,1)
    X_s = scaler.transform(X)
    preds = model.predict(X_s)
    probs = model.predict_proba(X_s)[:,1]
    return preds, probs

if **name** == "**main**":
    parser = argparse.ArgumentParser(description='Predict student pass/fail based on hours studied')
    parser.add_argument('--hours', type=float, nargs='+', help='List of hours studied')
    parser.add_argument('--model_path', type=str, default='model.joblib', help='Path to the trained model')
    parser.add_argument('--scaler_path', type=str, default='scaler.joblib', help='Path to the scaler')
    args = parser.parse_args()
    preds, probs = predict(args.hours, args.model_path, args.scaler_path)
    for h, p, prob in zip(args.hours, preds, probs):
        print(f"Hours Studied: {h} => predict={int(p)}, prob_of_pass={prob:.3f}")

运行实例：

python predict_cli.py --hours 2 4 6 8 10

# 输出示例
# Hours Studied: 2.0 => predict=0, prob_of_pass=0.123
# Hours Studied: 4.0 => predict=0, prob_of_pass=0.345
# Hours Studied: 6.0 => predict=1, prob_of_pass=0.678
# Hours Studied: 8.0 => predict=1, prob_of_pass=0.890
# Hours Studied: 10.0 => predict=1, prob_of_pass=0.950

image

把模型做成HTTP服务（Flask）

将下列代码保存为app.py


# ==============================================================
# File: model_html
# Author: Frees Ling
# Created: 2025/10/24
# Description: curl command to get model summary in HTML format
# Version: 1.0
# ==============================================================
# app.py

from flask import Flask, request, jsonify
import joblib
import numpy as np

app = Flask(**name**)
MODEL_PATH = "model.joblib"
SCALER_PATH = "scaler.joblib"

model = joblib.load(MODEL_PATH)
scaler = joblib.load(SCALER_PATH)

@app.route("/predict", methods=["POST"])
def predict():
    """
    receipt JSON: {"hours":[2.2 4.5 6.0]}
    return      : [{"hours":2.2,"predict":0,"prob":0.123},...]
    """
    data = request.get_json()
    if not data or 'hours' not in data:
        return jsonify({"error": "please send JSON with 'hours' list"}), 400
    hours = np.array(data['hours']).reshape(-1, 1)
    Xs = scaler.transform(hours)
    preds = model.predict(Xs)
    probs = model.predict_proba(Xs)[:, 1]
    out = []
    for h, p, prob in zip(hours, preds, probs):
        out.append({"hours": float(h[0]), "predict": int(p), "prob": float(prob)})
    return jsonify(out)

if **name** == "**main**":
    app.run(host="0.0.0.0", port=8080, debug=True)

运行Flask服务：

python app.py

测试（要另开一个终端）

Invoke-WebRequest -Uri "http://127.0.0.1:8080/predict" `
  -Method POST `
  -Body '{"hours":[2.2,4.63,255]}' `
  -ContentType "application/json"

image

这里我让我的朋友在远程测试了一下这个API服务，以下是他发回来的截图 image 换一个IP地址试试呢 image 这就很有意思了，为什么远程无法调用呢？
经过一番排查，发现是因为防火墙的问题，默认情况下，Flask只允许本地访问，无法接入公网，所以远程无法访问。
当然也不是不无解决方法，我们可以通过以下几种方式解决这个问题：

  • 关闭防火墙（不推荐，安全风险）
  • 配置防火墙规则，允许8080端口的入站流量
  • 使用反向代理（如Nginx）将请求转发到Flask应用
  • 使用云服务（如Heroku, AWS）部署Flask应用
  • 使用ngrok等工具创建公网隧道

后记：AI学习之路任重而道远，本文只是一个入门级别的尝试，希望能帮助到和我一样的AI初学者。未来我会继续深入学习AI相关知识，并分享更多有趣的项目和经验。感谢阅读！

CC

除特别注明外，本文采用 CC BY-NC-SA 4.0 协议。

CONVERSATION

回应与讨论

欢迎留下你的想法。评论由 GitHub Discussions 保存和管理。

评论框没有显示？可以直接前往 GitHub Discussions 参与讨论。