AI 入门第一步：Python、NumPy 与开发环境（虚拟环境、Git、Jupyter）

一句话回答

学 AI 的编程基本功只有三样：会写 Python、会用 NumPy 做数组计算、有一个干净可复现的开发环境。这三样在“数学与编程”阶段的 本单元 里大约需要 12 小时，之后学 PyTorch、调模型 API、做 RAG 都建立在它上面。

第一步：够用的 Python

Python 官方教程 是最权威的入门材料。读 AI 代码时最常遇到的是这几样：

建议的学法：先读官方教程第 3–9 章（流程控制、数据结构、模块、类），然后直接做 Kaggle Learn 的 Python 课，在浏览器里边学边练。

第二步：NumPy 与向量化

NumPy 是 Python 数值计算的地基。它的核心对象 ndarray 是一块同类型的多维数组，每个数组都有形状 shape 和数据类型 dtype（NumPy 入门）。NumPy 论文把它称为整个科学 Python 生态的基础，其他数组库（包括深度学习框架的张量）都在模仿它的接口（Harris 等，2020）。

向量化的意思是：不要在 Python 里逐个元素循环，而是对整个数组下一条指令。

import numpy as np

x = np.random.rand(1_000_000)

# 循环版：逐元素在 Python 解释器里执行
y_loop = [v * 2 + 1 for v in x]

# 向量化版：一条语句，在 NumPy 的编译代码里批量完成
y_vec = x * 2 + 1

两种写法结果一样，但向量化版本把循环交给了 NumPy 内部的编译代码，省掉了解释器逐个元素的开销。你可以在 Jupyter 里用 %timeit 自己比一比。

广播（broadcasting）

形状不同的数组怎么相加？NumPy 的规则是：从最后一维（最右边）开始往左逐维比较，两维相等或其中一个是 1，就算兼容；不兼容就报错（官方文档）。

images = np.random.rand(32, 28, 28)   # 32 张 28×28 的图
mean = images.mean(axis=0)            # 形状 (28, 28)
centered = images - mean              # (32,28,28) 与 (28,28)：从右往左比，兼容

模型代码里随处可见这种写法：一批数据减去均值、加上偏置向量、按行做 softmax。

一个小例子：只用 NumPy 做线性回归

把前面的内容串起来，用 梯度下降 拟合一条直线（线性回归）。原理见 机器是怎么学习的。

import numpy as np

rng = np.random.default_rng(0)
X = rng.random((200, 1))
y = 3 * X[:, 0] + 2 + 0.1 * rng.standard_normal(200)

w, b, lr = 0.0, 0.0, 0.5
for step in range(500):
    pred = X[:, 0] * w + b          # 向量化预测
    err = pred - y
    grad_w = 2 * (err * X[:, 0]).mean()
    grad_b = 2 * err.mean()
    w -= lr * grad_w
    b -= lr * grad_b

print(round(w, 2), round(b, 2))     # 接近 3 和 2

注意这里只有“训练步数”这一层循环，每一步内部对 200 个样本的计算全部是向量化的。下一课 PyTorch 与自动求导 会把手写的 grad_w、grad_b 交给框架自动计算。

第三步：开发环境

虚拟环境

不同项目依赖的库版本经常冲突。Python 自带的 venv 会为每个项目建一个独立目录，装进去的包默认和系统环境、其他虚拟环境隔离（venv 文档）：

python -m venv .venv
source .venv/bin/activate        # Windows：.venv\Scripts\activate
pip install numpy jupyter

也可以用 uv，它把建环境、装包和锁定版本放在一个工具里，速度更快。

Git

代码、实验配置和小数据集都应该放进 Git。入门读 Pro Git 前三章就够：init、add、commit、branch、push。MIT 的 Missing Semester 课程把命令行、Shell 脚本、Git 和调试工具一起讲了，很适合补课。

Jupyter 与 Colab

Jupyter Notebook 把代码、输出和说明文字放在一页里，适合探索数据和做实验。没有合适的电脑，就用 Google Colab，浏览器打开即可运行（FAQ）。经验做法是：在 Notebook 里试出来，再把稳定的函数挪到 .py 文件里，方便复用和用 Git 比对改动。

常见误区

• “先把 Python 全学完再学 AI”：没必要。掌握上面表格里的语法，就可以边做项目边补。
• 在 NumPy 里写三层 for 循环：几乎总能改写成矩阵运算或广播，改写本身就是最好的练习。
• 所有项目共用一个全局环境：迟早遇到版本冲突，而且别人无法复现你的结果。
• 形状不对就乱加 reshape：先 print(a.shape)，按广播规则从右往左对齐，弄清楚每一维的含义。

动手试试

1. 在 Kaggle Learn Python 完成全部练习。
2. 做 numpy-100 的前 50 题。
3. 本单元项目：不用循环，只用 NumPy 对一批图片做归一化、做一次矩阵乘法、按行算 softmax，并用 %timeit 和循环版比较速度。
4. 把项目放进一个新的虚拟环境和 Git 仓库，写一份 requirements.txt（或用 uv 生成锁文件），让别人能一键复现。

想系统地过一遍，可以读 Stanford CS231n 的 Python Numpy Tutorial，它用一页纸讲完了深度学习课程需要的 Python 和 NumPy。