昇腾之家

Appearance

学习路径 · 从零到昇腾AI工程师 ​

「千里之行，始于足下。」—— 老子《道德经》

欢迎来到学习路径专题。

如果你刚刚踏入 AI 行业，面对铺天盖地的术语和技术名词感到无所适从——别担心，你来对地方了。这个板块专为你而设计：一条清晰的、体系化的、可落地的学习路线，帮助你从零开始，一步步成长为能够独立在昇腾生态上做开发与实践的 AI 工程师。

这个板块适合谁？ ​

  • 刚毕业、刚转行进入 AI 行业的新人
  • 有一定编程基础但不懂 AI 的开发者
  • 想从传统软件工程转向 AI 方向的工程师
  • 对大模型、昇腾生态感兴趣但不知从何学起的探索者

你不需要是数学天才，也不需要名校博士学历。你需要的是好奇心、耐心和持续动手实践。

学习路线图 ​

我们将整个学习旅程划分为 6 个阶段，每个阶段都有明确的目标、前置要求和学完能力。你可以按顺序学习，也可以根据自身基础跳过某些阶段。

text
┌─────────────────────────────────────────────────────────────────┐
│                     学习路线全景图                                │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  阶段一          阶段二          阶段三          阶段四          │
│  AI基础认知  →  数学与编程基础 →  深度学习入门  →  大模型技术栈   │
│  (1-2周)        (4-8周)          (4-8周)          (4-8周)        │
│                                                                 │
│       │                                                         │
│       ▼                                                         │
│  阶段五          阶段六                                        │
│  昇腾生态实战 →  行业应用与进阶                                 │
│  (4-8周)        (持续)                                         │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

阶段总览表 ​

阶段名称预计时间前置要求学完能力详细文档
一AI 基础认知1-2 周无理解 AI 全貌，能看懂行业新闻和技术讨论查看 →
二数学与编程基础4-8 周阶段一掌握 Python 数据科学栈，能实现基础算法查看 →
三深度学习入门4-8 周阶段二理解神经网络原理，能训练图像分类模型查看 →
四大模型技术栈4-8 周阶段三理解 Transformer 与大模型，能做推理和微调查看 →
五昇腾生态实战4-8 周阶段三/四在昇腾 NPU 上完成推理、微调、性能调优查看 →
六行业应用与进阶持续阶段五能将 AI 技术落地到具体业务场景查看 →

总预计时间：约 4-6 个月（全职学习可缩短至 2-3 个月）。但学习是持续的过程，阶段六将伴随你的整个职业生涯。

阶段详解 ​

阶段一：AI 基础认知 ​

目标：建立对 AI 领域的全局认知，消除"知识恐惧"。

这个阶段不写代码，不推公式。你只需要阅读、思考、建立框架。

学什么：

  • AI、机器学习、深度学习的关系
  • AI 发展简史：从图灵测试到 ChatGPT
  • 三大学习范式：监督学习、无监督学习、强化学习
  • 训练、推理、微调——这些词到底什么意思
  • AI 的能力边界：能做什么，不能做什么

学完你能：

  • 看懂 AI 行业新闻和技术文章
  • 和同事讨论 AI 话题时不露怯
  • 知道下一步该学什么、为什么学

💡 学习建议

这个阶段最容易被忽略，但它决定了你后续学习的方向感和动力。花 1-2 周认真建立认知框架，比直接跳去敲代码要高效得多。

📖 详细内容：AI 基础认知

阶段二：数学与编程基础 ​

目标：掌握 AI 工程师必备的数学知识和 Python 编程能力。

学什么：

  • 数学（够用就行）：
    • 线性代数：向量、矩阵、矩阵乘法
    • 概率统计：分布、贝叶斯定理、期望与方差
    • 微积分：导数、梯度、链式法则（反向传播的数学基础）
  • 编程：
    • Python 基础语法
    • NumPy：数组操作、广播机制
    • Pandas：数据处理
    • Matplotlib：数据可视化

实践项目：用 Python 从零实现线性回归

学完你能：

  • 读懂深度学习代码中的数学操作
  • 用 Python 处理数据、做简单分析
  • 理解梯度下降背后的数学原理

⚠️ 常见误区

很多人一上来就想学高深数学，结果被劝退。记住：你是工程师，不是数学家。 掌握够用的数学知识即可，遇到不懂的再查。实践驱动学习，比纯看书高效 10 倍。

📖 详细内容：数学与编程基础

阶段三：深度学习入门 ​

目标：理解神经网络的核心原理，能训练一个真实的深度学习模型。

学什么：

  • 神经网络基础：神经元、激活函数、前向传播、反向传播
  • 关键网络结构：CNN（图像）、RNN（序列）
  • 深度学习框架：PyTorch 基础（张量、自动求导、模型定义、训练循环）
  • MindSpore 简介：开源 AI 框架，与 PyTorch 的异同

实践项目：用 PyTorch/MindSpore 训练 MNIST 手写数字识别模型

学完你能：

  • 理解神经网络的训练过程
  • 用 PyTorch 搭建和训练简单模型
  • 看懂主流深度学习项目的代码结构

📖 详细内容：深度学习入门

阶段四：大模型技术栈 ​

目标：理解大语言模型（LLM）的技术原理和工程实践。

学什么：

  • Transformer 架构：自注意力机制、位置编码、多头注意力
  • 预训练与微调全流程：Pre-training → SFT → RLHF
  • 主流大模型：GPT、LLaMA、Qwen、DeepSeek 系列
  • 大模型推理优化：KV Cache、量化、vLLM/MindIE
  • Prompt Engineering：提示词工程
  • RAG 与 Agent：检索增强生成、智能体

学完你能：

  • 理解大模型的工作原理
  • 部署和调用大模型推理服务
  • 编写高质量的 Prompt
  • 搭建简单的 RAG 应用

🔥 热点提示

大模型是当前 AI 行业最热的方向。掌握这个阶段的内容，你已经具备了进入大模型应用开发的基本能力。

📖 详细内容：大模型技术栈

阶段五：昇腾生态实战 ​

目标：在昇腾 NPU 上完成模型推理、微调和性能调优。

学什么：

  • 昇腾 vs NVIDIA GPU：架构差异、生态差异
  • 昇腾硬件认知：Atlas 系列、NPU 概念
  • 软件栈全貌：CANN → PyTorch/MindSpore → MindIE/MindSpeed
  • 实战路径：
    1. 环境搭建 → 查看 /setup/
    2. 跑通第一个推理 → 查看 /inference/
    3. 微调一个模型 → 查看 /training/llama-factory
    4. 性能调优 → 查看 /tools/
  • 昇腾认证：HCIA-AI / HCIP-AI 认证路径

学完你能：

  • 在昇腾 NPU 上部署和运行模型
  • 使用 MindIE 进行高性能推理
  • 使用 LLaMA-Factory 等工具微调大模型
  • 进行基本的性能分析和调优

📖 详细内容：昇腾生态实战

阶段六：行业应用与进阶 ​

目标：将 AI 技术落地到真实业务场景，成为能独立交付的 AI 工程师。

学什么：

  • AI 在各行业的应用场景：金融、医疗、交通、政务、制造
  • 从技术走向业务：理解业务需求、选对场景、评估 ROI
  • 持续学习路径：关注社区、参与开源、参加认证
  • 昇腾生态参与：社区贡献、解决方案共建

学完你能：

  • 识别和评估 AI 落地场景
  • 将技术方案与业务需求对接
  • 在昇腾社区中持续成长

📖 详细内容：行业应用与进阶

学习原则 ​

在整个学习过程中，请牢记以下原则：

1. 实践优先 > 理论完美 ​

text
❌ 错误路径：看完所有理论书 → 开始写代码 → 发现全忘了
✅ 正确路径：学一点理论 → 立刻动手实践 → 遇到问题再查理论

2. 理解原理 > 死记公式 ​

不要试图背诵每个公式。理解为什么比记住是什么重要 100 倍。

3. 体系框架 > 碎片知识 ​

先建立全局框架，再填充细节。不要被碎片化的教程带着走。

4. 输出倒逼输入 ​

学完一个主题后，试着：

  • 写一篇博客总结
  • 给同事/朋友讲解
  • 做一个小项目

5. 善用社区 ​

遇到问题不要独自死磕：

  • 官方文档永远是第一参考
  • GitHub Issues 搜索类似问题
  • 技术社区提问（昇腾社区、PyTorch 论坛等）

推荐学习节奏 ​

根据你的时间安排，选择适合的学习节奏：

全职学习（每天 6-8 小时） ​

阶段时间重点
一第 1 周建立认知框架
二第 2-4 周数学 + Python 打基础
三第 5-8 周深度学习 + PyTorch
四第 9-11 周大模型技术栈
五第 12-14 周昇腾实战
六持续项目实战 + 求职/进阶

总耗时：约 14 周（3.5 个月）

业余学习（每天 2-3 小时） ​

阶段时间重点
一第 1-2 周建立认知框架
二第 3-8 周数学 + Python 打基础
三第 9-14 周深度学习 + PyTorch
四第 15-20 周大模型技术栈
五第 21-26 周昇腾实战
六持续项目实战 + 进阶

总耗时：约 26 周（6 个月）

常见问题 ​

Q：我不是计算机专业出身，能学吗？ ​

能。 这条学习路径专门为非科班出身的人设计。你只需要有基本的逻辑思维和学习意愿。数学部分我们会强调"够用就行"，编程部分从 Python 基础开始教。

Q：需要什么硬件设备？ ​

  • 阶段一至四：一台普通笔记本即可。深度学习实践可以使用 Google Colab（免费 GPU）或 Kaggle。
  • 阶段五（昇腾实战）：需要昇腾 NPU 环境。如果没有实体设备，可以使用昇腾云 ModelArts 上的昇腾算力。

Q：学完能找到工作吗？ ​

这条路径覆盖了 AI 工程师的核心技能栈。但找工作不仅取决于技术能力，还取决于：

  • 项目经验：学完每个阶段都做项目，积累作品集
  • 表达能力：能清晰讲述你做过什么、为什么这么做
  • 持续学习：AI 领域变化快，保持学习习惯

Q：PyTorch 还是 MindSpore？ ​

两个都要了解，但建议先学 PyTorch。 PyTorch 是业界主流框架，学习资源最丰富。MindSpore 是开源框架，在昇腾生态中有原生优势。在昇腾上，PyTorch 也可以通过适配层使用（PyTorch-NPU）。

Q：这条路径和其他 AI 学习路径有什么不同？ ​

这条路径的独特之处在于：

  1. 聚焦昇腾生态：不只是泛泛的 AI 学习，而是指向昇腾 NPU 上的实战
  2. 面向新人：真正从零开始，不假设你有深厚背景
  3. 强调实践：每个阶段都有动手项目
  4. 体系完整：从认知到实战到行业应用，闭环覆盖

下一步 ​

准备好了吗？从阶段一开始吧：

🚀 开始学习

👉 阶段一：AI 基础认知

如果你已经有基础，可以跳到适合你的阶段：

学习资源汇总 ​

以下是贯穿整个学习路径的核心资源：

综合学习平台 ​

平台说明链接
昇腾云学院昇腾/AI 官方课程访问
昇腾社区昇腾开发者官方社区访问
MindSpore 官网MindSpore 框架文档访问
CANN 官方文档昇腾软件栈文档访问

经典教材 ​

书名阶段说明
《动手学深度学习》三李沐著，理论+代码，强烈推荐
《深度学习》（花书）三Ian Goodfellow 著，经典理论
《大语言模型》四赵鑫等著，系统介绍 LLM
《自然语言处理实战》四实践导向的 NLP 教程

在线课程 ​

课程平台说明
吴恩达 Machine LearningCoursera机器学习入门经典
吴恩达 Deep Learning SpecializationCoursera深度学习系统课程
李沐《动手学深度学习》B站免费，理论+PyTorch 代码
HCIA-AI 认证课程昇腾云学院昇腾 AI 认证课程

最后想说的话：学习是一场马拉松，不是百米冲刺。不要焦虑别人学得比你快，找到自己的节奏，每天进步一点点。当你回过头来看，会惊讶于自己走了多远。

祝你学习愉快！🚀

AscendMate · AscendLA · GitHub 统计（近14天）：仓库访问 – 次 · 独立访客 – 人 · 克隆 –

昇腾万里，让智能无所不及