Mr.AI 使用文档

这是什么

Mr.AI 零编程AI实验助手是一款在你自己电脑上运行的桌面软件 （当前为 Windows 10/11 64 位）。软件提供两种实验方式：

• 教学案例：首页那 20+ 个演示模块，每个都内置了固定数据集与算法， 点开即跑，适合快速了解某个算法在做什么。
• 自建实验：上传自己的数据 → 选择算法 → 调整参数 → 训练 → 拿到报告， 适合真正要解决自己的问题。

不管哪种方式，实验过程都在你本机完成，不需要自己配 Python 环境、写代码。 本站只负责软件的下载与更新分发。

快速开始

1. 下载安装包

   在首页点「免费下载」，选择对应平台（Windows / macOS Intel / macOS Apple Silicon）， 按提示填写一次基本信息后即可下载。

2. 安装并启动

   Windows：安装完成后双击启动器 Mr.AI-DHU.exe 打开软件。 首次启动需要加载运行环境，会比之后慢一些。

   macOS：打开下载好的 .dmg，把 Mr.AI 拖进 「应用程序」即可。首次打开若提示「无法验证开发者」，右键点应用图标选「打开」， 或到「系统设置 → 隐私与安全性」里点「仍要打开」。Apple Silicon（M 系列）与 Intel 机型 要选对应的安装包，装错了打不开。

3. 选一种方式做第一次实验

   • 想先看看算法长什么样 → 直接点首页任一 教学案例卡片，几秒钟就能看到结果。
   • 想用自己的数据跑 → 进入「新实验 v2」入口，按 自建实验 流程走：上传 → 预处理 → 配参数 → 训练。

想看完整录屏？首页「观看演示」里有一段完整操作录屏。

系统要求

• 操作系统：Windows 10 / 11 64 位；macOS 11 及以上（Apple Silicon） 或 macOS 10.15 及以上（Intel）。
• Linux：更新模块已经支持按平台分发，但 Linux 安装包仍在开发中， 首页平台列表里它显示为「即将推出」。
• 底层语言：软件基于 Python 3.9+ 开发，但 用户无需手动安装 Python—— 安装包里已经打包好独立运行环境。
• 磁盘空间：安装包约 1.5 GB；安装后约占用 3–5 GB 空间（包含内置的 YOLO 模型 yolov8n.pt、Librosa、OpenCV、TensorFlow 等依赖）。 另外建议预留 10 GB 以上的数据空间用于存放自建实验上传的数据集与训练产物。
• 内存：
  • 只跑教学案例 / 传统机器学习：8 GB 可用内存足够；
  • 跑 CNN / LSTM 等图像或时序自建实验：建议 16 GB；
  • 跑 YOLO 目标检测 / ResNet / MobileNet：建议 16 GB 以上。
• 显卡（GPU）：软件内置的是 CPU 版 TensorFlow / ultralytics， 不依赖也不启用 GPU / CUDA 加速。所有计算都在 CPU 上跑：
  • 优点：不要求用户安装 CUDA / cuDNN / 驱动，拷到任何 Windows 机器上都能运行；
  • 代价：深度学习模型（特别是 CNN、YOLO）训练偏慢，同样的 epoch 所需时间是带 GPU 环境的若干倍。建议适当调小 batch_size 和 epochs 以免单次训练过长。
• 网络：实验本身完全离线运行；只有「检查更新」与「下载更新包」需要联网。 联网模块的设计在 v1.0.4 起改为后台执行，启动时不再等待网络探测。

教学案例

首页那 20+ 张演示卡片，每个都是开箱即跑的教学案例： 数据集已经内置好了，算法和参数也预设好，点进去就能看到结果。 适合快速了解「这个算法是怎么工作的」、或用作课堂演示。

分类

回归

聚类

深度学习

集成学习

传统算法 / 启发式搜索

音频 / 目标检测

自建实验

自建实验指上传自己的数据，在「新实验 v2」入口里按步骤完成建模。 这一节按“先备料、再选算法、然后开跑、最后看产物”的顺序，拆成 5 个子模块。

• 数据准备：支持的格式、上传上限、目录组织、预处理选项。
• 算法与模型：每类任务可选的算法清单（含各状态标注）。
• 操作流程：结构化数据的 5 步走。
• 神经网络设计器：可视化拖拽搭建网络（内测中）。
• 报告与产物：PDF 报告与本地目录结构。

数据准备

支持的格式与上传上限

单个文件上传上限 100 MB（推荐使用数据集拆分后批量上传）。 上传后会自动展示前 10 行 / 10 张 预览。

结构化数据的列定义

• 上传后会在「数据预览」看到每一列的字段名、类型与样本值。
• 实验配置阶段会让你选目标列（即要预测的标签列）； 其余列默认作为特征列参与训练。
• 建议：目标列尽量避免高基数分类（如用户 ID、原始时间戳）， 否则分类任务会退化为「字典查询」，评估指标会失真。

图像数据集的组织方式

图像实验模块采用「一文件夹一类别」的目录结构，识别时会以文件夹名作为类别标签。 推荐结构：

fruits/
  apple/    苹果图片若干
  banana/   香蕉图片若干
  grape/    葡萄图片若干
  pear/     梨图片若干

各分类里的图片数量最好大致平衡（如每类 200–500 张）， 否则模型可能偏向多数类。如确有数量差异，可在训练时启用「类别加权」。

数据质量检查与预处理

上传后会自动跑一遍质量检查，阈值如下：

在「数据预处理」一步可以：

• 为每列分别选择缺失值处理策略（删除行 / 填众数 / 填均值 / 填中位数 / 自定义常量）。
• 把分类列做独热编码（One-Hot）或标签编码。
• 一键去除完全重复的行。
• 查看每列的统计信息（均值、方差、分位数等）。

算法与模型

下面列的是自建实验里可以选的算法，按"实验目标"分类组织。 同一类任务里算法可以互相替换，默认参数通常足以取得合理结果。

结构化数据 · 分类（预测类别，已开放）

• 决策树（Decision Tree）
• 随机森林（Random Forest）
• 支持向量机（SVM）
• 朴素贝叶斯（Naive Bayes）
• K 近邻（KNN）
• 逻辑回归（Logistic Regression）

结构化数据 · 回归（预测连续值，已开放）

• 线性回归 / 岭回归 / Lasso 回归：预测数值型目标， 岭回归与 Lasso 加入正则化，适合特征多于样本或多特征共线场景。
• 支持向量回归（SVR）
• 随机森林回归
• 神经网络（回归版）

结构化数据 · 聚类（无监督发现分组，已开放）

• K-Means
• DBSCAN：基于密度，适合发现任意形状的簇、识别噪点。
• 层次聚类：输出层次化的聚类树。

图像 · 分类（内测中）

• SimpleCNN：轻量卷积网络，适合初学者 / 小数据集。
• CustomCNN：可调卷积块数 / 滤波器数的自定义 CNN。
• ResNet / MobileNet：预训练架构迁移学习，数据量小时也表现稳定。

深度学习 · 时序与序列（内测中）

• LSTM
• RNN
• FCNN（全连接神经网络）

YOLO 目标检测（仅在教学案例中可用）

YOLO 目标检测目前只在教学案例里提供（见 教学案例 · 音频 / 目标检测），自建实验入口暂未提供该模块。 内置 yolov8n.pt 模型（ultralytics YOLOv8 nano），可识别 COCO 数据集 80 个常见类别（人、车、猫、狗、椅子、手机等），当前仅以 CPU 推理运行。

操作流程

从打开软件到拿到一份实验报告，标准流程是 5 步。每一步都可以在 UI 里反复调整、重跑。 目前只有结构化数据路径走完这 5 步会生成完整报告；图像与神经网络设计器路径尚在内测中。

1. 上传 / 选取数据

   在「新实验 v2」入口上传数据集，或从「数据中心」选择已上传过的数据集。 上传后会预览前 10 行 / 10 张图。

2. 数据预处理

   跑质量检查、处理缺失值与重复行、做独热 / 标签编码。这一步生成的是「预处理后」数据集， 可以随时回退到原始状态。

3. 配置模型与训练参数

   选择任务类型（分类 / 回归 / 聚类）→ 选择算法 → 调整超参数。 默认值：train:val:test = 0.7:0.2:0.1， batch_size = 32，epochs = 10，learning_rate = 0.001， 优化器 adam。需要更稳定的评估指标时可勾选「K 折交叉验证」（默认 5 折）。

4. 训练与实时监控

   训练过程中可通过 Socket.IO 实时看到损失曲线、准确率、CPU / 内存占用。 可随时取消。

5. 结果查看与导出

   训练结束后看到混淆矩阵、特征重要性、预测样本等。点击「导出报告」会生成一份 PDF （详细结构见报告与产物）。

神经网络设计器

神经网络设计器是基于 Litegraph.js 的可视化网络搭建模块， 通过拖拽节点、连线、调参来搭建网络；后端会走校验并生成对应的 Keras 代码。

后端已识别的节点类型

设计上后端层注册表（layer_registry）能识别 Dense、Conv2D、 MaxPooling、Dropout、Flatten 等多种 Keras 层，但实际在界面上拖拽出来的节点 目前只覆盖最常用的几种，例如 Dense（全连接）与 Conv2D（卷积）。 其它层的支持会随版本逐步补齐。

设计流程

1. 从左侧面板把节点拖到画布上。
2. 在节点之间连线指定输入 / 输出关系。
3. 点击节点编辑参数（滤波器数、激活函数等）。
4. 点「验证」让后端检查张量形状；点「生成代码」查看对应的 Keras 代码。

报告与产物

每次自建实验都会产生四类产物，按目录分类存储在软件安装目录下。这些文件都不会上传到服务器。 目前只有结构化数据自建实验会生成完整的 PDF 实验报告； 图像、神经网络设计器路径开放后，报告生成能力会随之补齐。

实验报告 PDF

PDF 报告的文件名格式：模型_姓名_日期.pdf（姓名取自软件内的使用者信息），例如 AdaBoost自适应提升实验报告_闫润鑫_20260916_101012.pdf。 内容分为以下章节：

1. 封面：实验名称、使用者信息、时间、模型。
2. 概述：实验目标、数据集描述。
3. 数据集：样本数、特征数、类别分布。
4. 配置：选用的算法、超参数、训练 / 验证 / 测试划分比例。
5. 评估：准确率 / 精确率 / 召回率 / F1 / RMSE 等指标。
6. 混淆矩阵：分类任务专属。
7. 特征重要性：树模型 / 线性模型专属。
8. 代码：自动生成的训练脚本。

模型与代码

训练完成的模型与生成代码也保留在本地，目录结构如下：

data/
  models/        训练后的模型
    user/
      structured/    结构化数据模型（决策树、随机森林…）
      image/         图像模型
      nn_designer/   神经网络设计器模型
  code/experiments/
    image/         图像实验生成的训练脚本
    nn/            NN 设计器导出的 Keras 代码
  results/
    metrics/       各项评估指标（JSON）
    plots/         损失曲线 / 混淆矩阵图（PNG）
    reports/       PDF 实验报告
    logs/          训练日志

迁移实验环境时，只需把整个 data/ 目录拷贝到新机器即可继续使用。

更新与升级

• 启动软件时自动检查版本，有新版本会弹出更新窗口，确认后自动下载并安装。
• 更新过程有独立的状态窗口，实时显示当前阶段（关闭旧版 → 备份 → 安装 → 完成）。
• 升级包里自带最新的启动器（Mr.AI-DHU.exe 与 updater.exe）， 不需要手动替换文件。
• 更新时若某个文件被系统或安全软件短暂占用，更新程序会自动等待，通常不必手动结束进程。
• 历史版本的改动记录见更新日志。

常见问题

故障排查

• 启动时提示 cffi version mismatch：v1.0.4 的已知问题，已在 v1.0.5 修复，升级到最新版（v1.0.6）即可。
• 启动比较慢：首次启动要加载运行环境。从 v1.0.4 起，网络探测改为后台执行、 大型模块改为按需加载；v1.0.6 又调整了加载顺序，启动进一步加快。
• 依赖安装很慢或失败：打开启动器的「镜像设置」，换成国内镜像源后重试。
• 更新下载中断：更新包下载支持断点续传，网络恢复后会自动继续。
• 上传文件时浏览器看似卡住：临近 100 MB 上限时常见，上传是同步阻塞的， 不是宕机，不要重复点击上传按钮。
• 训练时报内存不足：减小 batch_size、减少 epochs、或者考虑采样部分数据。 深度学习任务同时可考虑换更小的模型（参考自建实验 · 算法与模型）。
• PDF 报告里中文显示为方块：通常是被未带中文字体的 PDF 阅读器打开导致的， 推荐用系统自带的 Edge / Acrobat / Chrome 查看。
• 神经网络设计器报错提示张量形状不匹配：检查相邻两层的输入 / 输出维度， 例如 Flatten 之前通常是池化后的 3D 张量、全连接层之前需要 Flatten。
• 其它问题：通过首页的「意见反馈」提交，或按页脚的联系方式发邮件。

反馈与联系

遇到文档里没写到的问题，欢迎通过首页的「意见反馈」提交，或直接按页脚的联系方式发邮件给开发成员。 反馈时附上软件版本号和报错截图，能更快定位问题。