AI from Scratch · Phase 00 | 开发环境与工具链
🛠️ Phase 00：开发环境与工具链
12 节课 · ~14 小时 · 这是整个课程的前置条件
为什么这个阶段重要？
很多教程直接跳到”训练模型”，结果你卡在环境配置上浪费半天。这个阶段确保你的开发环境一次配好：Python 虚拟环境、Docker 容器、GPU 驱动、Jupyter Notebook——所有后续阶段的基建。
核心理念： 工欲善其事，必先利其器。AI 工程的”器”就是可复现的环境和高效的工具链。
🔑 核心概念
1. Python 虚拟环境隔离
AI 项目依赖版本差异巨大（PyTorch 1.x vs 2.x、TF 1.x vs 2.x）。用 venv、conda 或 uv 隔离每个项目的依赖，避免”在我机器上能跑”的经典问题。
2. Docker 容器化
模型训练和推理的环境差异是头号 bug 来源。Docker 把 CUDA、Python、库版本全部锁进镜像，实现「一次构建，到处运行」。关键词：Dockerfile、docker-compose、GPU passthrough（--gpus all）。
3. GPU 与云端算力
不是每个人都有 8×A100。学会在 AWS / GCP / Lambda Labs 上按需租 GPU，用完即释放。关键：spot 实例省钱、检查点（checkpoint）应对抢占。
4. Jupyter Notebook 最佳实践
Notebook 是探索利器，也是混乱之源。学会用 %load_ext autoreload、nbformat 程序化执行、Jupyter Lab 多面板布局。
📋 完整课程列表
| # | 课程 | 预计时长 |
|---|---|---|
| 01 | Dev Environment（开发环境搭建） | ~75 min |
| 02 | Git & Collaboration（Git 协作） | ~45 min |
| 03 | GPU Setup & Cloud（GPU 配置与云端） | ~75 min |
| 04 | APIs & Keys（API 密钥管理） | ~75 min |
| 05 | Jupyter Notebooks | ~75 min |
| 06 | Python Environments（Python 环境管理） | ~75 min |
| 07 | Docker for AI（Docker 容器化） | ~75 min |
| 08 | Editor Setup（编辑器配置） | ~75 min |
| 09 | Data Management（数据管理） | ~75 min |
| 10 | Terminal & Shell（终端与 Shell） | ~45 min |
| 11 | Linux for AI（Linux 基础） | ~45 min |
| 12 | Debugging & Profiling（调试与性能分析） | ~75 min |
🔗 前置与后续
- 前置： 基本的计算机操作能力，会上网
- 后续： → Phase 01 数学基础（有了环境就可以开始写代码了）
💡 学习建议
- 如果你已经有 Python 开发经验，可以快速过一遍，重点放在 GPU 和 Docker 上
- 如果你是纯新手，不要跳过，磨刀不误砍柴工
- 推荐用
uv替代pip，速度快 10-100 倍 - 云 GPU 推荐：Lambda Labs（最便宜）、Vast.ai（竞价市场）、Colab Pro+（入门）