作者： mojunovo

背景：
项目“基于联邦学习的恶意软件检测”，我带领项目组开会以后，为了增加拿奖机会，决定想办法让项目在安卓端运行。

最终成果：

设计过程：
一、方案探索：三次决策中的理性取舍

我们首先尝试将网站整体封装为桌面软件再移植安卓，但三天内反复调试端口通信与资源路径均无进展，果断叫停；

接着聚焦技术迁移路径，计划将Python模型嵌入安卓，但组员坦言“短期无法掌握JNI与模型转换”，我也评估自身能力边界后确认：强行攻坚将导致双线崩溃。

深夜复盘时，我刷B站时灵光一现——B站APP本质是WebView加载网页！立刻验证：我们的网站已部署公网，完全可复用此思路。次日晨会，我向组员演示草图：“只需开发轻量‘壳’应用，用WebView嵌入网站链接，零改动保留所有功能。”他当即认可：“这既守住模型创新，又不增加你的负担，全力推进！”

二、快速落地：基础能力+精准学习破局

凭借Java基础，我当天在Android Studio新建项目：主Activity仅三步——申请网络权限、初始化WebView、加载网站URL。为提升体验，增加加载进度条与操作提示文案。

开发完成后，我通过B站教程自学APK打包全流程：生成签名密钥、配置Release模式、导出安装包。用三台不同品牌旧手机反复测试，确保从点击图标到网站加载全程流畅。最终，这个仅200行代码的APK在比赛现场稳定运行。

个人收获：第一次独立交付的工程闭环

这是我人生中第一个从零到一独立完成的安卓APK——从设计思路萌芽（B站APP启发）、方案可行性论证、200行Java代码编写，到APK签名打包与多机型测试，全程无外部协助。当深夜在Android Studio点击“Build APK”，手机成功安装并流畅加载平台页面时，那种“一个人闭环交付”的成就感远超技术本身。它让我真切体会到：工程师的价值不在于技术多炫酷，而在于能否在约束中独立扛起责任、把问题真正解决掉。

这次经历沉淀为三点核心认知：第一，独立决策力——面对方案分歧，能基于时间、能力、目标快速判断“做什么比怎么做更重要”；第二，自主学习力——用1天啃下APK打包全流程，验证了“基础能力+精准搜索”足以突破新领域门槛；第三，务实工程观——放弃“重写模型”的执念，选择WebView轻量方案，恰恰是对项目目标的深度尊重。

背景：

学校的一个实践作业，要求自主建立模型，运用人工智能跟深度学习，根据训练集训练，最后输入一张猫猫图片，让模型判断是否含有猫猫。

1.完成学校的任务

这个项目属于人工智能范畴下的深度学习实践，具体聚焦计算机视觉中的图像分类任务。学校提供了200张标注猫猫数据集（猫/非猫各100张，含宿舍实拍、网络图片），独立实现二分类检测系统。除此以外，禁止调用ResNet等预训练模型或高级封装API，需手写核心逻辑。

核心材料是，学校提供了一个深度学习的简单py文件。代码量不少，但是函数不多，结构很清晰。当时我已经有一定的深度学习基础（我之前有跟导师聊过，导师说我迟早会接触深度学习，叫我预先自学了），不过这是我第一次接触深度学习的实际应用。

看过代码以后，我选择将代码一段一段标上注释，分段去上网使用ai来搞清楚什么意思，同时补充这部分结构在人工智能应用里的基础知识。

最后结果如下：

示例代码流程：数据加载→模型定义→训练循环→准确率输出→单图预测。

2.自发的进一步探索

我并没有满足于完成学校的任务。通过这次机会，我切实获得了使用人工智能跟深度学习进行实践的经验。我抱着“既然搞清楚了一整个项目的流程和结构，不如自己从头做一个”的想法，尝试自己做一个模型来超越之前的那一个。

完成学校要求的基线模型后（一个严格按作业规范实现的单层感知机），我发现它的识别效果仅略高于随机猜测水平（约50%出头）——输入一张清晰的猫图，模型依然频繁误判。我产生强烈好奇：“为什么深度学习能解决图像问题？它到底‘深’在哪里？”

第一步：尝试CNN（TensorFlow）
我首先尝试了卷积神经网络。当时查阅资料时看到“CNN专为图像设计”，便用TensorFlow/Keras动手搭建了一个轻量结构：包含两个卷积层搭配池化层，后接全连接层。训练过程中，我特意用Matplotlib可视化中间层输出，第一次清晰看到特征从边缘轮廓逐渐演化为猫耳朵、毛发纹理的完整路径。模型效果显著优于学校基线，对模糊或侧脸猫图的判断也明显更可靠，这让我直观理解了“层次化特征提取”的价值。

第二步：尝试MLP（TensorFlow）
接着，我想验证“单纯增加隐藏层能否提升效果”。于是用TensorFlow实现了一个两层的多层感知机（MLP），在输入和输出间增加了一个隐藏层，其他训练条件与之前保持一致。结果模型效果确实比学校单层模型有提升，但与CNN相比仍有明显差距。这让我切实体会到：图像数据具有空间结构特性，卷积操作对局部特征的捕捉能力，远胜于全连接层的简单堆叠。

第三步：用PyTorch复现CNN
后来，出于对PyTorch框架的好奇（久闻其动态图调试友好），我用PyTorch完整复现了相同的CNN结构。过程中重点对比了两种框架的体验：PyTorch修改网络后能即时查看张量变化，调试过程更直观流畅；而TensorFlow在流程封装上更简洁。最终两个版本的效果基本一致，微小波动属于正常实验误差。这次尝试让我明白：框架本质是工具，选择应服务于开发效率与具体场景，而非技术偏好。

3.我的收获：

这段探索带给我的成长远超代码本身。当特征图清晰呈现猫耳朵轮廓时，书本理论瞬间有了温度；当MLP与CNN效果差异摆在眼前时，“结构决定能力”不再是一句空话。它教会我三件事：技术方案必须匹配问题本质，亲手验证胜过道听途说，保持对工具的开放心态比掌握单一技术更重要。也正是从这次“听说CNN好用→动手验证→理解原理”的完整闭环开始，我真正建立了对人工智能领域的兴趣与信心，也养成了此后面对任何技术问题时“先问本质，再选工具”的思维习惯。

背景：

文本信息处理工程实践的结课作业。要求运用NLTK在提供的材料中挑选一样，最后完成一个能解决实际问题的系统。

我向老师咨询“NLTK在文本处理领域有哪些应用方向”，在老师回答后，我选择了运用NLTK来处理文本的情感倾向。

重要决策

1 为什么保留情感符号

数据预处理时，我偶然发现一些类似“用户说太赞了!!!”被系统判为中性，但明显是强烈好评！咨询老师后，发现这是一种误判。跟老师深入探讨后，我们认为应该是数据预处理时，没有考虑符号的情感表达，按标准滤除规律进行了去除。

于是，我设计了保留‘!!!’的清洗规则，让模型真正‘听懂’用户情绪。

2 为何选用逻辑回归

理由有三：一是应用场景。结项当天有一份全新的测试集，要求到场后现场进行输入和演示。如果模型训练时间很长，可能交不了差，更别提后期这个项目的进一步开发。二，后期项目进一步开发工作，有类似“客服主管问：“为什么‘服务太差了???’被判负面？”这样需要解释和人为判定的方向。模型最好方便人为进行调整，以及可解释性强。三是条件。当天设备为我的旧笔记本，没有GPU。训练数据也只有那一张xlsx表。

选用逻辑回归，是看中它训练/部署极快、无需GPU、可解释性强，同时性能足够完成任务。SVM调参复杂、 决策边界难解释，随机森林数据集太小易过拟合、神经网络/BERT需GPU+大量数据。

最后结果

结项当天，我提前十分钟到场演示，最终花费15分钟左右第一个完成现场演示，以新数据集高于70%的准确率以及最快速度顺利交付项目，获得老师的大受好评。后来的进一步开发，我因为个人安排没有去，而是把项目交接给老师和她的学生完成。据说，这个系统后面用于社交媒体评论，因为速度很快同时准确率足够，3 天内部署上线，分析效率提升 30%+并获业务采纳。

反思：AI落地的真谛

从项目中提炼认知：
“如果重做，我会：

1. 用train_data.xlsx中的负向样本做类别平衡（当前负向样本少）
2. 用result.txt的预测结果做AB测试（对比BERT）
3. 加入LIME解释（‘!!!’如何影响预测）

但最核心的收获：
AI不是追求模型复杂度，而是解决业务问题。就像这一次，虽然逻辑回归大体上性能不如其他模型。但是在当时要解决的问题中是最适合的。如果当时选用其他模型，准确率可能更高，但恐怕不会有后面的发展与写这篇文章的缘由了。

欢迎使用 WordPress。这是您的第一篇文章。编辑或删除它，然后开始写作吧！