AI 入门踩坑笔记

上学期我心血来潮想学深度学习，照着网上的教程在宿舍电脑上装环境，结果第一步就卡住了。装 PyTorch 装了两个晚上，各种版本冲突报错，最后发现我的笔记本根本没有独显，CPU 跑个最小的例子都要等半天，热情直接被浇灭了一大半。

后来有同学跟我说，既然本地机器不行，那就把训练这件事交给云。云上有现成的显卡和 AI 芯片，按需使用，用完就停，对学生党来说反而更划算。我想起自己手里正好有个华为云账号，就打开控制台，找到了 AI 平台 ModelArts，决定从最简单的自动学习图像分类开始，认认真真跑通一次。

简单说说 ModelArts 是什么。它是华为云上的一站式 AI 开发平台，从准备数据、训练模型到部署上线，一条龙都能在上面完成。对我这种新手最友好的是里面的"自动学习"功能：不用写代码，不用自己搭训练框架，上传图片、点几下鼠标，就能训练出一个能用的模型。底层跑在昇腾 AI 芯片的算力上，训练速度比我那台老笔记本快得多。说实话，第一次看到控制台首页写着"免费开放 AI 算力体验"的时候，我心里踏实了不少——先试试水，不合适也不心疼。

我给自己定的第一个小目标特别朴素：做一个能分辨"猫"和"狗"的图像分类模型。听起来有点老套，但好处是目标清晰、验证方便，模型到底学没学会，一眼就能看出来。

第一步是准备数据集。我在网上找了一些公开的猫狗图片，又翻出手机里以前拍的几张，一共凑了大概六十张，猫和狗各一半。整理的时候我学到第一个教训：数据要分好类再上传。ModelArts 的自动学习要求图片按类别放进不同的文件夹，比如一个文件夹叫 cat，另一个叫 dog，文件夹的名字就是类别的名字。文件夹结构一乱，后面标注的时候就得返工。

准备好图片，我先把它们传到了对象存储 OBS 上。之前写博客备份学习资料的时候，我已经用过 OBS，算是熟门熟路。传完之后回到 ModelArts 控制台，进"自动学习"，新建一个图像分类项目，然后选择刚才那个 OBS 路径作为数据集来源。点下"创建"的一刻，我居然有点紧张——这大概就是新手第一次把代码之外的东西"跑起来"的感觉。

创建完项目，平台会先对数据做一次检查，告诉我每类有多少张图片、有没有格式不支持的文件。我的六十张图片全部通过，这一步比我想象中顺利。然后就是点"开始训练"。训练要花点时间，我的这个小数据集大概等了十几分钟。等待的时候，页面上能看到训练进度和准确率曲线一点点往上爬，那种感觉很奇妙：机器真的在"学习"，而我只是在旁边看着。

训练结束后，平台给出了评估结果：整体准确率大概在九成左右。我拿几张没参与训练的新照片去测试，猫和狗基本都能认对，只有一张光线特别暗的狗照片被认成了猫。这反而让我觉得真实——模型不是魔法，数据质量和数量直接决定了它的水平。六十张图片能做到这个程度，已经超出我的预期了。

接下来是最让我有成就感的一步：把模型部署成在线服务。点一下"部署"，等一会儿，平台就给了我一个 API 地址。我写了一小段 Python 代码，调用这个地址上传照片，就能在自己的程序里用上这个模型了。虽然只是一个玩具级别的小功能，但它第一次让我完整地走完了"数据—训练—部署—调用"这条 AI 应用的链路。以前看教程总觉得这些环节离我很远，现在发现，把它们串起来的门槛并没有想象中那么高。

当然，过程里也踩了几个坑，值得单独记下来。

第一个坑是图片太少、类别不平衡。一开始我图省事，猫的照片找了四十张，狗只有十几张，结果模型明显"偏科"，看到什么都先猜猫。后来把两类补到差不多数量，准确率立刻上去了。数据这件事，宁可少而均衡，也不要多而偏心。

第二个坑是图片质量参差不齐。有几张照片是从社交媒体上随手保存的，尺寸特别小还带着水印，模型学起来很吃力。后来我把模糊、有水印的图片都删掉，只留清晰的，效果好了不少。数据清洗这一步看着琐碎，其实最值得花时间。

第三个坑是忘记及时释放资源。训练完、测试完，我一高兴就把页面关了，部署的在线服务还一直在跑。虽说这种小规模服务花不了多少钱，但对学生党来说，能省则省。我的习惯现在是：做完实验立刻停掉在线服务，删掉不需要的训练任务，只保留有用的模型版本。