AI基石 | Python 基础篇：AI 工程师眼中的“方言” —— 从列表到张量的思维跃迁

前言

欢迎来到“AI 自学路线”的第二阶段！

在经历了数学基础的“洗礼”后，你现在的状态可能是一个“懂原理但手无寸铁”的战略家。从今天开始，我们要打造你的武器。

很多同学会说：“Python 我早就会了，不就是写脚本吗？” 且慢。 做 Web 开发的 Python 和做 AI 的 Python，简直是两种语言。

Web 开发关注：逻辑判断、数据库交互、并发请求。
AI 开发关注：数据的形状（Shape）、维度的变换、并行的计算。

今天这第一篇，我们不谈复杂的库，先来把最基础的 “容器”（数据结构）和 “流水线”（编程范式）搞清楚。这是你未来看懂复杂模型源码的基石。

一、数据结构：一场关于“效率”的战争

在 AI 的世界里，数据量通常是巨大的。百万级的图片、亿级的文本。如果我们选错了存储数据的容器，训练速度可能会慢上 100 倍。

1. 列表 (List)：灵活的“散装货车”

Python 原生的 List 是我们最熟悉的工具。

# 一个典型的 List
my_data = [1, "apple", 3.14, [1, 2]]

特点：什么都能装，极其灵活。
AI 中的地位：数据预处理的“中转站”。
- 当我们刚从硬盘读取图片或文本时，因为大小不一，通常先丢进 List 里。
- 致命弱点：它像一辆装满不同货物的大巴车，CPU 无法对它进行批量加速。如果你用 for 循环遍历 List 做乘法，在 AI 领域这就叫“龟速”。

2. 字典 (Dict)：模型的“配置单”

# 一个典型的 Dict
model_config = {
    "learning_rate": 0.001,
    "batch_size": 32,
    "layers": [64, 128, 10]
}

特点：键值对映射，查找速度快（Hash Map）。
AI 中的地位：核心元数据管理。
- 你会在加载模型权重（state_dict）、读取 JSON 格式的训练数据、配置超参数时疯狂使用字典。它是 AI 程序的“控制面板”。

3. 张量 (Tensor) 的前身：从 List 到 Array

这是 AI 最核心的概念。虽然我们还没讲 NumPy 和 PyTorch，但你必须先在脑海里建立 “张量思维”。

如果说 List 是散装货车，那么 张量（Tensor） 就是标准化的 集装箱。

规则：里面的元素类型必须完全一致（通常是浮点数 float32）。
形状 (Shape)：必须是矩形阵列（维数固定）。

在 Python 原生语法中，我们可以用“嵌套列表”来模拟张量：

# 0维 (标量 Scalar): 一个数
# 代表：Loss 值
x = 5.0 

# 1维 (向量 Vector): 一行数
# 代表：一段音频、一句话的特征
x = [1.0, 2.0, 3.0] 

# 2维 (矩阵 Matrix): 表格
# 代表：一张灰度图 (高x宽)、一个Excel表
x = [[1.0, 2.0], 
     [3.0, 4.0]]

# 3维 (张量 Tensor): 立方体
# 代表：一张彩色图 (高x宽x通道数RGB)
# ...以此类推

AI 工程师的直觉养成： 普通程序员看到 [[...]] 想到的是“列表套列表”； AI 工程师看到 [[...]] 第一反应必须是：“这是个 2 维矩阵，Shape 是 (行数, 列数)。”

二、函数式编程：打造无副作用的“流水线”

在处理海量数据时，写一堆 for i in range(len(data)) 既丑陋又慢。AI 代码追求的是简洁和并行。

1. 列表推导式 (List Comprehension)

这是 Python 对 AI 工程师最友好的语法糖。它能把数学公式直接翻译成代码。

场景：把所有数据归一化（平方处理）。

普通写法 (累赘)：

data = [1, 2, 3, 4]
squared = []
for x in data:
    squared.append(x ** 2)

AI 写法 (优雅)：

data = [1, 2, 3, 4]
squared = [x ** 2 for x in data] # 一行搞定

2. Lambda 与 Map

虽然 List 推导式很强，但在构建复杂的数据处理 Pipeline 时，map 和 lambda 依然由其地位。

场景：同时处理两组数据（比如图片路径和对应的标签）。

paths = ["img1.jpg", "img2.jpg"]
labels = [0, 1]

# 打包数据 (Zip 是个神器)
dataset = list(zip(paths, labels))
# 结果: [('img1.jpg', 0), ('img2.jpg', 1)]

# 按条件过滤 (Filter)
# 只要标签为 1 的数据
positive_samples = list(filter(lambda x: x[1] == 1, dataset))

核心思想：不要去修改原始变量（Side Effect），而是通过函数变换，生成新的数据流。这保证了在多线程数据读取（DataLoader）时不会出现线程安全问题。

三、实战：手搓一个“数据预处理器”

为了检验这一篇的学习成果，我们不用任何第三方库，仅用 Python 原生语法，模拟一次 “词向量化” (Embedding) 的预处理过程。这是 NLP（自然语言处理）的第一步。

任务：将一句英文，转换成机器能看懂的“数字矩阵”。

# 1. 原始语料 (Raw Data)
corpus = [
    "I love AI",
    "Python is great"
]

# 2. 构建词表 (Dict的作用: 建立 单词 -> ID 的映射)
# 这一步通常叫 Tokenization
vocab = {
    "I": 0, "love": 1, "AI": 2,
    "Python": 3, "is": 4, "great": 5
}

# 3. 文本转序列 (List推导式 + Dict查询)
# 把单词变成数字 ID
sequences = [
    [vocab[word] for word in sentence.split()] 
    for sentence in corpus
]
# 结果 sequences: [[0, 1, 2], [3, 4, 5]]

# 4. 模拟 One-Hot 编码 (张量思维的雏形)
# 假设我们要把每个数字变成一个向量
# 0 -> [1, 0, 0, 0, 0, 0]
# 1 -> [0, 1, 0, 0, 0, 0]
def to_one_hot(seq, vocab_size):
    # 初始化一个全0矩阵 (模拟 Tensor)
    # Shape: (句子长度, 词表大小)
    matrix = [[0] * vocab_size for _ in range(len(seq))]
    
    # 填值
    for i, word_id in enumerate(seq):
        matrix[i][word_id] = 1
    return matrix

# 处理第一句话
one_hot_tensor = to_one_hot(sequences[0], len(vocab))

print("原始句子:", corpus[0])
print("数字序列:", sequences[0])
print("One-Hot矩阵 (模拟张量):")
for row in one_hot_tensor:
    print(row)

# 原始句子: I love AI
# 数字序列: [0, 1, 2]
# One-Hot矩阵 (模拟张量):
# [1, 0, 0, 0, 0, 0]
# [0, 1, 0, 0, 0, 0]
# [0, 0, 1, 0, 0, 0]