📚 AI专家养成计划 · 第5篇（共140篇）
⏱️ 阅读时间：10-15分钟
🎯 适合人群：零基础，想要亲手训练一个AI模型的你
☀️ 早课回顾：3个核心要点
今天的早课我们聊了”模型”——AI的大脑。这里快速回顾一下关键概念：
1. 模型 = 训练好的算法 + 数据
算法是菜谱，数据是食材，模型就是做好的菜。训练的过程就是”照着菜谱反复练习，直到做出稳定好吃的菜”。
2. 模型的两个阶段：训练和推理
训练（Training）是学习阶段，需要大量数据和时间；推理（Inference）是工作阶段，给新数据就能快速出结果。就像学生上课学习 vs 毕业后工作。
3. 模型文件的本质是一堆数字
一个训练好的模型，本质上就是大量的参数（数字权重）。GPT-4可能有上万亿个参数，而一个简单的图像分类模型可能只有几百万个参数。
💡 核心理解：模型不是魔法，它就是”从数据中学到的经验”的数字化表达。
🎬 今晚实战：用Teachable Machine零代码训练AI
好了，理论听够了！今晚我们来真的动手。
我们要用Google出品的 Teachable Machine ——一个完全免费、零代码、浏览器里就能用的AI训练工具——来训练一个属于你自己的AI模型。
今晚你会学到：
- 用摄像头收集训练数据
- 一键训练一个图像分类模型
- 实时测试你的AI效果
- 导出模型用于其他项目
📦 第一步：打开Teachable Machine
- 打开浏览器（推荐Chrome），访问：
👉 https://teachablemachine.withgoogle.com/
（此工具需要科学上网访问）
- 点击 “Get Started” 按钮
- 你会看到三个选项：
- Image Project（图像项目）← 我们选这个
- Audio Project（音频项目）
- Pose Project（姿势项目）
- 点击 “Image Project”
进入后你会看到一个简洁的界面，左边是数据收集区，右边是预览区。
📸 第二步：收集训练数据
这一步是最关键的——AI需要你”喂”给它数据才能学习。
我们来做一个简单的分类任务：识别你的不同手势。
创建Class（类别）
- 你会看到默认有两个类别：Class 1 和 Class 2
- 把 Class 1 改名为 “竖起大拇指” 👍
- 把 Class 2 改名为 “比心” 🤟
- 点击 “Add a class” 添加第三个类别，命名为 “剪刀手” ✌️
录入图像
- 点击 “Webcam” 按钮（允许浏览器使用摄像头）
- 把手做出”竖起大拇指”的姿势
- 按住 “Hold to Record” 按钮，保持3-5秒，让摄像头拍下约30-50张照片
- 换个角度、换个距离再录一次——这是关键！
⚠️ 重要提醒：每个类别至少录100张以上，角度越多样，模型越聪明！
- 对”比心”和”剪刀手”重复同样的步骤
没有摄像头怎么办？
别担心！你也可以用上传图片的方式：
- 从手机拍几张手势照片
- 传到电脑上
- 点击 “Upload” 按钮上传
🧪 第三步：训练模型
数据收集好了？激动人心的时刻来了！
- 点击页面上方的 “Train Model” 按钮
- 等待训练完成（通常只需要30秒到2分钟）
- 训练过程中你会看到一个进度条，耐心等待
🤔 你可能会想：”就这样？不需要写代码？不需要配GPU？”
是的，就这样！Teachable Machine帮你处理了所有底层技术：神经网络搭建、反向传播、梯度下降……你只需要提供数据。
训练完成后，右侧预览区会自动激活摄像头实时预览。
🎯 第四步：测试你的AI
现在来检验成果！
- 在摄像头前做出竖起大拇指的手势
- 看！右侧面板会显示 “竖起大拇指” 的概率非常高（接近100%）
- 换成比心手势
- 概率分布会跟着变化，”比心”的柱子最高
- 试试剪刀手
- 你的AI应该能正确识别！
- 做一个它没见过的手势（比如握拳）
- 观察AI的反应——它会”困惑”，三个类别的概率都不高
🎉 恭喜！你刚刚训练了人生中第一个AI模型！
虽然这是一个很小的模型，但它包含了AI的核心流程：
- 数据收集 → 你录的手势照片
- 模型训练 → Google帮你完成的神经网络训练
- 推理预测 → 实时识别新手势
💾 第五步：导出你的模型
训练好的模型可以导出使用！
- 点击 “Export Model” 按钮
- 你会看到三个选项：
- TensorFlow.js —— 可以在网页中使用
- TensorFlow Lite —— 可以在手机App中使用
- TensorFlow —— 可以在Python项目中使用
- 选择 TensorFlow.js，点击 “Upload my model”
- 你会得到一个链接，可以在任何网页中嵌入这个模型！
🚀 进阶挑战：试试其他项目类型
如果你还有时间，可以探索Teachable Machine的其他能力：
音频分类
- 录制不同的声音（拍手、弹舌、敲桌子）
- 训练一个声音识别模型
姿势识别
- 用摄像头录制不同的身体姿势
- 训练一个姿势分类模型（比如：站立、坐下、举手）
📖 地铁深读：Teachable Machine背后的原理
它到底用了什么技术？
Teachable Machine 底层使用的是 迁移学习（Transfer Learning）。
还记得Day3晚课我们提到的迁移学习吗？核心思路是：
`
已有模型（见过100万张图片）
↓
只训练最后几层（你的手势图片）
↓
快速得到一个新模型
`
具体来说，它使用了一个预训练好的 MobileNet 模型作为基础：
- MobileNet 已经学会了识别”边缘、纹理、形状”等基础特征
- 你只需要教它：”这种特征组合 = 大拇指，那种 = 比心”
- 所以只需要很少的数据和很短的时间
为什么这很重要？
这个技术叫做 Few-Shot Learning（少样本学习） 的一种简化形式。它告诉我们一个深刻的道理：
🧠 AI训练不需要从零开始。站在巨人肩膀上，用少量数据就能解决特定问题。
这就是为什么2026年的AI应用如此爆发——基础模型越来越强大，定制化成本越来越低。
和”正经”AI训练的区别
| 对比项 | Teachable Machine | 正经AI训练 |
|---|
|——–|——————-|———–|
| 代码量 | 0行 | 数百到数千行 |
|---|---|---|
| 数据量 | 几十到几百张 | 几千到几百万张 |
| 训练时间 | 30秒~2分钟 | 几小时到几天 |
| 硬件要求 | 浏览器即可 | 需要GPU |
| 适用场景 | 原型验证、学习 | 生产环境 |
Teachable Machine 是学习和验证想法的绝佳工具，但要做出真正能用的AI产品，我们后面会学更专业的工具（PyTorch、HuggingFace等）。
✅ 今日总结
3个关键要点：
- 模型训练的核心流程是”数据→训练→推理”，Teachable Machine 让你零代码体验了这个完整流程
- 迁移学习是AI民主化的关键——站在预训练模型的肩膀上，少量数据就能定制专属AI
- 数据质量决定模型质量——多角度、多样化的训练数据，比单纯增加数量更重要
📝 今日行动项
- [ ] 打开 Teachable Machine，用摄像头训练一个至少3类的图像分类模型
- [ ] 测试模型对”没见过的数据”的表现，记录准确率
- [ ] 思考：你日常生活中有哪些场景可以用类似的方式训练AI？（提示：识别不同品牌的饮料、区分不同人的笔迹……）
📅 下篇预告
明天早课 Day06：机器学习vs深度学习——大圈套小圈，一次讲清楚
机器学习和深度学习到底什么关系？为什么深度学习突然火了？用一张图帮你彻底搞明白。
明天晚课 Day06：传统编程vs AI编程——思维方式的革命性转变
从”写规则”到”给数据”，编程思维的范式转换。用一个对比实验，让你体会AI编程的威力。
🎓 晚课合集 | 每天下午5点更新
💡 学完记得打卡！在评论区分享你训练的AI识别了什么有趣的东西
🔖 本文已收录至「AI专家养成计划·晚课实践」合集（album_id: 4522393809204510724）
发表回复