简介这份人工智能数学基础资料面向希望系统补齐数学短板的高校学生与AI从业者围绕唐宇迪相关课程内容提供习题答案与配套源代码帮助把线性代数、概率统计、微积分、最优化、图论、离散数学和动态规划等知识落到建模与算法理解中。资源包为zip压缩包约6.41MB上游显示文件总数为0、类型明细暂缺实际内容以习题解答和代码实践为主适合对照理论学习进行推导复盘与动手验证。已有1930人学习说明其在AI数学入门与查漏补缺场景中具有一定参考价值。读者可借助答案核对解题思路通过源代码观察矩阵运算、概率模型、梯度下降、图算法和动态规划等概念的实现方式进而理解公式、算法流程与编程落地之间的联系。1. 人工智能数学基础资源到底该怎么用从「看答案」到「跑代码」的闭环有人拿到「人工智能数学基础资源习题答案源代码」解压后先翻答案代码一眼没跑考试题会做一写梯度下降就卡在矩阵维度对不上。这套资源真正值钱的地方不是答案本身而是答案能当测试用例、源码能当实验台。它补的是数学推导和工程实现之间的断层矩阵求导、特征值、极大似然、梯度更新纸面符号和 NumPy 数组之间差着转置、归一化和浮点误差。刚补数学的算法初学者能按步骤跑通带课的人也能把答案改成自动校验。下面按我实际整理这类资源的顺序拆目录怎么分层、答案怎么双校验、源码怎么调参跑通、哪些坑最容易翻车。2. 资源目录怎么拆线性代数、概率统计、微积分与优化的四层结构2.1 先定「答案层、代码层、数据层、验证层」四层目录我一般不会把习题答案和源码混在一个文件夹里。混放的后果很直接改一个脚本不知道对应哪道题答案更新了测试还在跑旧值。更稳的做法是按四层拆答案层只放推导和结论代码层只放可执行入口数据层放小样本和采样结果验证层放测试与回归记录。目录名用英文短词避免空格和中文路径后面写脚本、跑 CI 都省事。ai-math-resource/ ├── answers/ # 答案层按主题分目录只放推导与结论 │ ├── linear_algebra/ │ ├── probability/ │ ├── calculus/ │ └── optimization/ ├── code/ # 代码层一个习题一个可执行入口 │ ├── la_eigen_demo.py │ ├── prob_bootstrap.py │ ├── calc_grad_check.py │ └── opt_gradient_descent.py ├── data/ # 数据层小样本、采样结果、固定输入 ├── tests/ # 验证层答案校验与回归测试 ├── manifest.json # 索引习题编号到答案、源码、测试的映射 └── requirements.txt这段目录树的关键不是好看而是把「读」和「跑」分开。answers/下的文件只写人看的推导不写可执行代码code/下的脚本只负责复现数值结果不复制大段答案文字tests/不直接引用 notebook而是引用脚本或函数。这样答案改了解释不会影响测试代码改了实现测试还能定位到具体习题编号。命名上我习惯用「主题_动作_对象」比如la_eigen_demo.py表示线性代数特征值演示prob_bootstrap.py表示概率 bootstrap看到文件名就知道该去哪一层找。2.2 用 manifest 清单把习题编号和源码入口绑定四层目录只解决物理位置真正让资源可用的是索引。没有索引三周后自己都记不住LA-03对应哪个脚本、容差设了多少。我一般会放一个manifest.json把习题编号、主题、答案路径、源码入口、测试文件、固定输入和容差都写进去。它相当于这套人工智能数学基础资源的「黑匣子」答案对不上时先看清单里的输入和容差而不是凭记忆猜。{ LA-03: { topic: linear_algebra, answer: answers/linear_algebra/LA-03.md, source: code/la_eigen_demo.py, test: tests/test_la_03.py, inputs: {matrix: [[2, 1], [1, 2]]}, tolerance: {atol: 1e-8, rtol: 1e-6} }, CALC-07: { topic: calculus, answer: answers/calculus/CALC-07.md, source: code/calc_grad_check.py, test: tests/test_calc_07.py, inputs: {x0: 0.5}, tolerance: {atol: 1e-10, rtol: 1e-8} } }字段含义要统一answer指向人读的推导文件source指向可执行入口test指向自动校验inputs存最小固定输入tolerance存比较阈值。参数怎么改矩阵元素量级在 O(1) 附近时atol用 1e-8 够用积分或概率归一化结果接近 0 时atol要更小否则会把错误当通过rtol适合大数比较比如几十万量级的损失值。清单里不要写「大概」「差不多」阈值必须是数否则后面自动评分没法落地。2.3 环境依赖与版本锁requirements 与随机种子资源类项目最常见的翻车不是数学难而是换台机器就跑不动。我一般先建虚拟环境再装最小依赖NumPy 做数值、SymPy 做符号、pytest 做校验、Matplotlib 做可视化、Jupyter 和 nbconvert 处理 notebook。安装命令不写死版本但会把当前环境 freeze 成 lock 文件提交到资源根目录。这样别人复现时先装requirements.txt再按 lock 文件对齐能少很多「我这里是好的」的争论。python -m venv .venv source .venv/bin/activate pip install numpy sympy pytest matplotlib jupyter nbconvert pip freeze requirements.lockpython -m venv .venv建隔离环境source .venv/bin/activate在 Linux 或 macOS 生效Windows 下换成对应激活脚本pip install只装当前需要的最小集合pip freeze把实际版本写进 lock 文件。参数上不建议一上来装全家桶依赖越多冲突概率越高。随机种子也要在入口统一设置不要每个脚本各写各的。我习惯放一个SEED常量所有采样、初始化、划分都从它读。import random import numpy as np SEED 202405 random.seed(SEED) np.random.seed(SEED)这段代码的作用是让随机路径可复现。SEED只是统一常量换成别的整数也可以但同一批实验要固定random.seed管 Python 标准库np.random.seed管 NumPy 旧式全局随机源。更稳的写法是用np.random.default_rng(SEED)建独立生成器避免多个脚本互相影响。参数说明只强调一点种子要写进日志或 manifest不能只留在某个人电脑的环境变量里。3. 习题答案怎么验用 SymPy 和 NumPy 做符号与数值双校验3.1 符号验证求导、积分、矩阵特征值的最小脚本习题答案最容易错在「看起来对」。手推求导漏一个系数、积分少一个常数、特征值符号写反肉眼很难抓。我一般先用 SymPy 做符号校验它不碰浮点直接给出表达式适合核对求导、积分、特征值这类有闭式结果的题。下面这段是最小脚本不需要真实项目数据输入一道虚构习题的表达式就能跑。import sympy as sp x sp.symbols(x) f x**3 2*x**2 x 1 # 习题要求先求一阶导再求定积分 df sp.diff(f, x) integral sp.integrate(f, (x, 0, 1)) print(f(x) , sp.factor(df)) print(integral , sp.simplify(integral)) # 矩阵特征值符号解用于核对手推结果 a, b sp.symbols(a b) M sp.Matrix([[a, b], [b, a]]) print(eigenvals , M.eigenvals())逻辑说明sp.diff(f, x)对x求一阶导第二个参数就是求导变量sp.integrate(f, (x, 0, 1))的元组表示积分变量和上下限M.eigenvals()返回特征值及重数。参数上sp.factor和sp.simplify不是必须但符号结果不化简时很难和手推答案对照。注意符号解可能分支很多先化简再比较如果答案要求数值符号结果只作为中间校验不要直接拿复杂表达式当最终输出。3.2 数值验证浮点误差、相对误差阈值怎么设符号验证过了还要过数值关。源码跑出来的矩阵、梯度、概率值都是浮点数不能用比。我一般用np.allclose同时设绝对误差atol和相对误差rtol。这两个参数不是玄学atol管接近 0 的量rtol管量级较大的量。矩阵元素在 1 附近atol1e-8足够概率值要求和为 1atol可以收到 1e-12损失值到几万量级只看atol会误判要靠rtol。import numpy as np # 手推答案 expected np.array([[3.0, 1.0], [1.0, 3.0]]) # 代码运行结果 actual np.array([[3.000000001, 1.0], [1.0, 2.999999999]]) atol 1e-8 rtol 1e-6 ok np.allclose(actual, expected, atolatol, rtolrtol) print(close:, ok) print(max abs diff:, np.max(np.abs(actual - expected)))这段代码先给期望矩阵和实际矩阵再用np.allclose判断。参数含义atol是绝对容差rtol是相对容差判断条件大致是|actual - expected| atol rtol * |expected|。矩阵比较前要确认形状一致形状不同allclose会直接报错或返回 False。若结果量级跨越多个数量级建议同时打印最大绝对误差和最大相对误差不要只盯一个布尔值。阈值不要为了「跑通」随意放大放大到 1e-2 时很多错误都会被放过。3.3 批量跑答案pytest 参数化与失败定位单题校验靠脚本整本习题靠 pytest 参数化。我一般把习题编号、输入矩阵、期望特征值写进用例表一个函数跑多条。这样失败时能直接看到LA-03还是LA-04不用翻日志猜。下面用例里的矩阵是虚构输入重点是结构不是某份真实答案。import numpy as np import pytest CASES [ (LA-03, np.array([[2, 1], [1, 2]]), np.array([3.0, 1.0])), (LA-04, np.array([[0, 1], [1, 0]]), np.array([1.0, -1.0])), ] pytest.mark.parametrize(case_id,matrix,expected, CASES) def test_eigenvalues(case_id, matrix, expected): actual np.linalg.eigvalsh(matrix) # eigvalsh 返回升序先排序再比避免顺序造成假失败 assert np.allclose(np.sort(actual), np.sort(expected), atol1e-8), case_idpytest.mark.parametrize把三条数据喂给同一个测试eigvalsh针对对称矩阵返回升序特征值np.sort是为了避免特征值顺序不同造成假失败。参数说明atol1e-8是当前矩阵量级下的经验阈值如果矩阵条件数很大特征值对扰动敏感阈值要结合rtol调整。运行命令用pytest -q tests/test_la_03.py -x --tbshort-q减少噪音-x首个失败就停--tbshort让报错定位到断言行不会刷一屏。4. 源代码怎么跑通从梯度下降 Demo 到概率采样的可复现实验4.1 梯度下降源码的四个必调参数学习率、迭代步数、初始点、容差人工智能数学基础资源里的源代码最值得先跑的是梯度下降。它把微积分、线性代数和优化串在一起参数也最直观。我一般把入口写成函数显式暴露四个参数学习率lr、迭代步数steps、初始点x0、梯度范数容差tol。这四个参数不写清楚结果不收敛时根本不知道是学习率太大、步数不够还是初始点选偏了。import numpy as np def gradient_descent(grad, x0, lr0.01, steps1000, tol1e-6): x np.array(x0, dtypefloat) history [] for k in range(steps): g grad(x) if np.linalg.norm(g) tol: break x x - lr * g history.append(np.linalg.norm(g)) return x, history # 目标函数 f(x)x1^210*x2^2梯度如下 def grad(x): return np.array([2*x[0], 20*x[1]]) x_star, hist gradient_descent(grad, x0[2.0, 2.0], lr0.01, steps2000, tol1e-8) print(x* , x_star) print(last grad norm , hist[-1] if hist else None)逻辑说明每步先算梯度梯度范数小于tol就提前停否则沿负梯度方向更新并把梯度范数记进历史。参数怎么调lr过大会震荡甚至发散过小会慢steps是上限不是必须跑满x0影响收敛路径非凸问题还会影响落到哪个局部极小tol设得太松会提前停太紧会白跑。这个例子里两个方向曲率差 10 倍学习率稍大就会在第二维震荡所以不要只看最后x*要看history是否单调下降。4.2 概率统计代码采样、置信区间与 bootstrap 的复现概率题最容易「每次跑都不一样」。bootstrap 是个典型重采样次数、随机种子、分位数写法任何一个没固定置信区间就会飘。我一般把B和seed都作为显式参数返回均值分布最后用百分位法取区间。下面的样本是虚构生成重点看参数和复现方式。import numpy as np rng np.random.default_rng(42) sample rng.normal(loc10.0, scale2.0, size200) def bootstrap_mean(data, B2000, seed42): rng np.random.default_rng(seed) n len(data) means np.empty(B) for b in range(B): idx rng.integers(0, n, n) means[b] data[idx].mean() return means means bootstrap_mean(sample, B2000, seed42) lo, hi np.percentile(means, [2.5, 97.5]) print(95% CI:, (lo, hi))B是重采样次数越大区间越稳但耗时线性增加seed控制复现rng.integers(0, n, n)生成有放回索引np.percentile取 2.5 和 97.5 分位对应 95% 置信区间。参数上B2000是常见起点样本很小或区间尾部分位要求高时可以加到 5000不要用np.random.seed和default_rng混用两个随机源会互相干扰。结果要连同B和seed一起记录否则别人复现不出同一个区间。4.3 把 notebook 变成可回归的脚本nbconvert 与日志落盘很多人把源码放在 notebook 里交互时能跑批量回归就露馅单元格顺序乱、隐藏状态、输出没落盘。我一般用 nbconvert 把 notebook 转成脚本再跑脚本、重定向日志。这样做的好处是每次从干净进程开始不依赖内核里残留的变量。命令不长但参数要写对。jupyter nbconvert --to script code/opt_gradient_descent.ipynb \ --output opt_gradient_descent_run \ --output-dir build/ python build/opt_gradient_descent_run.py logs/opt_gradient_descent.log 21--to script把 notebook 转成.py--output指定输出文件名--output-dir把生成文件放到build/不污染源码目录 logs/... 21同时收集标准输出和错误输出。参数说明转换前先在 notebook 里「重启并全部运行」一遍确认没有依赖旧状态build/和logs/要提前建好或者用脚本自动创建。日志里至少保留随机种子、关键参数和最后几行指标不然失败时又得重跑一遍才知道错在哪。5. 常见问题与排查答案对不上、代码跑不动、结果不可复现5.1 答案对不上维度顺序、符号约定、归一化差异现象手推答案和代码结果差一个转置或者特征向量方向相反数值明明很接近却判失败。原因通常不是算错而是约定不同NumPy 按行优先存矩阵教材可能按列向量写特征向量乘以 -1 仍是特征向量概率题里 softmax 的分母、对数底数、归一化范围也可能不同。解决方式是把约定写进答案文件头部比如「本文矩阵均按行向量」「特征向量只比较子空间」。比较时先排序、取绝对值或比较投影不要直接逐元素比符号。遇到答案对不上先查 manifest 里的inputs和tolerance再查维度顺序最后才怀疑推导。现象同一道题答案文件写 0.5代码输出 0.499999。原因多半是浮点累加顺序或阈值不同。解决方式是统一用np.allclose并在答案里注明容差如果结果接近 0改用绝对误差不要用相对误差硬卡。这个坑很常见血泪经验是不要为了让它过就把阈值调到 1e-2那等于把测试废掉。5.2 代码跑不动依赖冲突与路径黑匣子现象本机跑得好换台机器就ModuleNotFoundError或者脚本找不到data/。原因通常有三个依赖没锁、工作目录不同、notebook 隐藏状态。解决方式是虚拟环境加 lock 文件所有路径基于项目根目录用pathlib.Path(__file__).resolve().parents[1]定位不写死绝对路径。notebook 先重启内核再全量运行避免单元格顺序造成的假成功。遇到路径问题先打印当前工作目录和关键文件是否存在不要一上来改代码。现象安装依赖时提示版本冲突降级一个库又坏了另一个。原因是一开始装得太杂。解决方式是只保留当前资源需要的库把可选可视化依赖放到单独文件冲突时先建干净环境复现再决定锁哪个版本。资源类项目最怕「环境黑匣子」所以requirements.lock和运行日志要一起提交。5.3 结果不可复现随机种子、并行、浮点累加顺序现象bootstrap 置信区间每次差一点梯度下降初始点一样但损失曲线不同。原因是随机种子没固定、多线程归约顺序不同或者用了非确定性算子。解决方式是把seed写进入口参数和日志第一行需要并行时固定线程数并在文档里说明比较结果时用容差不要要求逐位相等。我一般会在 manifest 里加seed字段测试失败时先看种子是否一致。现象同一脚本两次运行特征值排序不同导致断言失败。原因是np.linalg.eig不保证顺序。解决方式是改用eigvalsh并对结果排序或者比较特征值集合而不是序列。这个坑不涉及数学但会让回归测试随机翻车值得在测试层统一处理。5.4 资源取舍哪些习题值得手推哪些直接调库现象每道题都手推时间不够全调库考试和面试又写不出推导。原因是目标不同。我的取舍是矩阵分解、梯度推导、极大似然、特征值性质这类题手推因为它们决定你能不能看懂模型大规模数值实验、绘图、批量扫描参数直接调库把时间留给结果分析。下面这张表可以作为筛选依据。题型建议方式判断标准矩阵求导、特征值推导手推 SymPy 校验能写出每一步符号结果可核对概率分布期望方差手推 NumPy 数值抽样闭式结果和采样均值能对上梯度下降调参直接跑源码 记录历史关注收敛曲线不重复造优化器大规模 bootstrap调库 固定种子关注区间稳定性不手写循环这张表不是绝对规则但能防止两种极端只收藏答案不动笔或者每个函数都自己重写。资源里的源代码是实验台不是替你做作业的答案习题答案是测试用例不是用来背的文本。把这两者接起来这套人工智能数学基础资源才算真正用上。6. 进阶用法把习题答案改造成自动评分器与错题回归集6.1 用 manifest 生成缺失测试检查自动评分器的第一步不是写评分逻辑而是确认每道题都有测试。我一般用 manifest 做一次静态检查答案、源码、测试三个路径缺一个就报出来。这样资源越扩越大时不会出现「答案更新了、测试没跟上」的暗坑。import json from pathlib import Path manifest json.loads(Path(manifest.json).read_text(encodingutf-8)) for case_id, item in manifest.items(): for key in (answer, source, test): if not Path(item[key]).exists(): print(missing:, case_id, key, item[key])这段代码只做存在性检查不执行测试item[key]对应 manifest 里的路径字段。参数上路径必须相对项目根目录不能写个人电脑的绝对路径否则换机器就误报。6.2 错题回归集只记三件事错题回归集不要做成大而全的笔记本。我一般只记三件事输入、期望输出和失败原因容差和种子作为附加列。每次翻车后把最小复现输入补进去下次改代码先跑回归集。自动评分器的边界也要清楚它只能判数值和符号结果判不了推导过程是否严谨所以答案文件里的步骤说明仍然要人工看。我的习惯是每周抽十分钟跑一遍回归集不追求一次全对只要求新改动不把旧题打回去。希望帮到你。本文还有配套的精品资源点击获取