第一圈代码数字识别：用SVM + HOG快速建立基线
完整代码（Google Colab / Jupyter Notebook 均可）
numpy np matplotlibpyplot plt sklearnsvm SVC sklearnmetrics accuracy_score confusion_matrix ConfusionMatrixDisplay sklearndatasets fetch_openml skimagefeature hog skimagetransform resize tqdm tqdm X y fetch_openml version return_X_y as_frame parserX Xastypenpfloat32 y yastypenpint32X_train y_train X yX_test y_test X y images pixels_per_cell 输入: images shape (N, 784) 展平的图像 输出: HOG特征向量 (N, 特征维度) """ features img tqdmimages desc img_2d imgreshape hog_feat hog img_2d pixels_per_cellpixels_per_cell cells_per_block visualize feature_vector featuresappendhog_feat nparrayfeaturesX_train_hog extract_hog_featuresX_trainX_test_hog extract_hog_featuresX_testclf SVCkernel C random_stateclffitX_train_hog y_traintrain_pred clfpredictX_train_hogtrain_acc accuracy_scorey_train train_predtest_pred clfpredictX_test_hogtest_acc accuracy_scorey_test test_prederror_indices npwheretest_pred y_testnum_show error_indicesselected nprandomchoiceerror_indices num_show replacefig axes pltsubplots figsize i idx selected row col i i img X_testidxreshape axesrow colimshowimg cmap axesrow colset_title axesrow colaxispltsuptitle fontsizeplttight_layoutpltshowcm confusion_matrixy_test test_preddisp ConfusionMatrixDisplayconfusion_matrixcmdispplotcmapplttitlepltshow joblib joblibdumpclf
运行后你会看到什么（预期输出示例）
训练集大小: 10000, 测试集大小: 2000 提取HOG特征: 100%|██████████| 10000/10000 [00:12<00:00, 789.23it/s] 提取HOG特征: 100%|██████████| 2000/2000 [00:02<00:00, 801.45it/s] HOG特征维度: 324 训练集准确率: 0.8921 测试集准确率: 0.6734
准确率大约在 67% 左右——这就是不用深度学习的天花板。
这段代码让你学到什么（比准确率重要）
| 代码模块 | 对应核心概念 | 后续深度学习怎么超越 |
|---|---|---|
fetch_openml 加载数据 | 数据标准化、归一化 | 同样要归一化，但深度学习对归一化更敏感 |
hog() 特征提取 | 手工特征工程——人告诉模型看什么 | CNN自动学习特征，不再需要HOG |
SVC(kernel='linear') | 线性分类器，只能找直线边界 | 神经网络可以拟合任意非线性边界 |
accuracy_score 评估 | 分类任务的基础评价指标 | 同样的指标，但深度模型会更高（>95%） |
| 错误样本可视化 | 知道模型“死在哪” | 深度模型也会错，但错的样本往往更“像人” |
动手实验（必做，5分钟）
运行完上面代码后，修改下面任意一个参数，观察准确率变化：
把
C=1.0改成C=100.0（更强的拟合能力）→ 训练集准确率上升，但测试集可能下降（过拟合）。把
pixels_per_cell=(4,4)改成(8,8)（更粗糙的特征）→ 特征维度降低，速度变快，但准确率可能下降。把训练集从10000改成5000 → 准确率下降，让你直观感受“数据量对AI的影响”。
下一步预告（第二圈要做什么）
现在你用SVM只能达到67%，而且对旋转、倾斜、手写风格变化极其敏感。第二圈我们会用PyTorch搭一个简单的CNN，不做任何特征工程，直接喂像素进去，准确率直接跳到95%+。
今晚的任务：把上面代码跑通，截一张“混淆矩阵”的图保存下来。等第二圈CNN跑完后，把两张混淆矩阵放在一起对比——那会是你对“深度学习为什么有效”最震撼的一次体验。
完整代码（Google Colab / Jupyter Notebook 均可）
numpy np matplotlibpyplot plt sklearnsvm SVC sklearnmetrics accuracy_score confusion_matrix ConfusionMatrixDisplay sklearndatasets fetch_openml skimagefeature hog skimagetransform resize tqdm tqdm X y fetch_openml version return_X_y as_frame parserX Xastypenpfloat32 y yastypenpint32X_train y_train X yX_test y_test X y images pixels_per_cell 输入: images shape (N, 784) 展平的图像 输出: HOG特征向量 (N, 特征维度) """ features img tqdmimages desc img_2d imgreshape hog_feat hog img_2d pixels_per_cellpixels_per_cell cells_per_block visualize feature_vector featuresappendhog_feat nparrayfeaturesX_train_hog extract_hog_featuresX_trainX_test_hog extract_hog_featuresX_testclf SVCkernel C random_stateclffitX_train_hog y_traintrain_pred clfpredictX_train_hogtrain_acc accuracy_scorey_train train_predtest_pred clfpredictX_test_hogtest_acc accuracy_scorey_test test_prederror_indices npwheretest_pred y_testnum_show error_indicesselected nprandomchoiceerror_indices num_show replacefig axes pltsubplots figsize i idx selected row col i i img X_testidxreshape axesrow colimshowimg cmap axesrow colset_title axesrow colaxispltsuptitle fontsizeplttight_layoutpltshowcm confusion_matrixy_test test_preddisp ConfusionMatrixDisplayconfusion_matrixcmdispplotcmapplttitlepltshow joblib joblibdumpclf
运行后你会看到什么（预期输出示例）
训练集大小: 10000, 测试集大小: 2000 提取HOG特征: 100%|██████████| 10000/10000 [00:12<00:00, 789.23it/s] 提取HOG特征: 100%|██████████| 2000/2000 [00:02<00:00, 801.45it/s] HOG特征维度: 324 训练集准确率: 0.8921 测试集准确率: 0.6734
准确率大约在 67% 左右——这就是不用深度学习的天花板。
这段代码让你学到什么（比准确率重要）
| 代码模块 | 对应核心概念 | 后续深度学习怎么超越 |
|---|---|---|
fetch_openml 加载数据 | 数据标准化、归一化 | 同样要归一化，但深度学习对归一化更敏感 |
hog() 特征提取 | 手工特征工程——人告诉模型看什么 | CNN自动学习特征，不再需要HOG |
SVC(kernel='linear') | 线性分类器，只能找直线边界 | 神经网络可以拟合任意非线性边界 |
accuracy_score 评估 | 分类任务的基础评价指标 | 同样的指标，但深度模型会更高（>95%） |
| 错误样本可视化 | 知道模型“死在哪” | 深度模型也会错，但错的样本往往更“像人” |
动手实验（必做，5分钟）
运行完上面代码后，修改下面任意一个参数，观察准确率变化：
把
C=1.0改成C=100.0（更强的拟合能力）→ 训练集准确率上升，但测试集可能下降（过拟合）。把
pixels_per_cell=(4,4)改成(8,8)（更粗糙的特征）→ 特征维度降低，速度变快，但准确率可能下降。把训练集从10000改成5000 → 准确率下降，让你直观感受“数据量对AI的影响”。
下一步预告（第二圈要做什么）
现在你用SVM只能达到67%，而且对旋转、倾斜、手写风格变化极其敏感。第二圈我们会用PyTorch搭一个简单的CNN，不做任何特征工程，直接喂像素进去，准确率直接跳到95%+。
今晚的任务：把上面代码跑通，截一张“混淆矩阵”的图保存下来。等第二圈CNN跑完后，把两张混淆矩阵放在一起对比——那会是你对“深度学习为什么有效”最震撼的一次体验。
