生成式AI双轨学习路径：从云平台到从零构建模型

本项目提供生成式AI双轨学习路径，涵盖两条互补技术路线：一是利用Azure AI云服务（Foundry平台、模型微调、嵌入与向量搜索）快速实现应用；二是从零构建神经网络模型（全连接网络、CNN、GAN、自编码器）深入底层机制。双轨设计兼顾工程落地需求与深度学习理解，适合不同基础的AI学习者。

• 原作者/维护者：srincondelacruz
• 来源平台：GitHub
• 原始项目：GenAI（链接：https://github.com/srincondelacruz/GenAI）
• 发布时间：2026年6月9日

本项目是人工智能与大数据硕士学位课程的生成式AI模块实践项目，采用双轨学习设计，既满足快速落地的工程需求，又提供理解模型内部机制的学习深度。

第一轨：Azure AI云服务实战

• Azure AI Foundry：统一AI开发平台，覆盖模型选择、微调到部署全流程
• 模型微调：领域数据准备、训练参数设置、过拟合与灾难性遗忘解决
• 嵌入与向量搜索：生成高质量嵌入、构建向量数据库、实现语义搜索（RAG核心）

第二轨：从零构建神经网络

• 全连接网络：多层感知机基础，理解前向/反向传播、梯度下降
• CNN：卷积层、池化层、批归一化，实现LeNet/ResNet等架构
• GAN：DCGAN、条件GAN等变体，解决模式崩溃与训练不稳定
• 自编码器：标准/稀疏/变分自编码器实现，学习数据高效表示

维度	Azure AI云服务	从零构建模型
学习曲线	平缓，快速产出	陡峭，深度理解
开发速度	快，几小时搭建原型	慢，需数天调优
成本结构	按使用量付费	主要投入计算资源
可解释性	黑盒，依赖API文档	白盒，完全可控
适用场景	快速验证、生产部署	研究创新、定制需求
核心技能	工程集成、提示工程	数学推导、算法优化

工程实践能力

• 云平台AI服务使用经验
• 大模型微调完整流程掌握
• 向量数据库与语义检索系统搭建能力
• Keras/PyTorch框架熟练应用

理论与实践结合

双轨设计实现"知其然"（工具应用）与"知其所以然"（底层原理）的结合

项目作品集

• 基于Azure的RAG应用
• 领域专用微调模型
• 从零实现的GAN图像生成器
• 自编码器降维/去噪演示

• 大模型应用现状：2024-2025年生成式AI走向生产，企业需求转向定制化模型、成本可控推理、可解释系统
• 向量数据库兴起：RAG架构普及推动向量数据库成为基础设施
• 模型小型化趋势：端侧AI与私有化部署需求增长，模型构建与优化能力重要性提升

适用人群

• 有Python和机器学习基础的学习者
• 希望系统掌握生成式AI的开发者
• AI工程/研究方向学生
• 技术管理者

前置知识

• Python编程
• 线性代数与微积分
• 机器学习基础（损失函数、梯度下降等）

学习建议

• 路径选择：先完成Azure云服务路径快速产出，再深入自研路径
• 实践为王：学完概念立即动手实现
• 社区参与：记录问题解决方案，向原项目提交改进建议

本GenAI项目提供结构化双轨学习路径，适合快速上手的工程师与追求深度的研究者。其价值不仅在于技术内容全面性，更在于展示有效学习方法：先全局视野再深入细节，既掌握工具又理解原理，为应对生成式AI技术快速迭代提供有力准备。