智能计算系统课程设计：从PyTorch训练到算子优化与部署全流程

简介：面向高校计算机专业毕业设计与智能计算系统课程设计的一套完整项目源码，覆盖人工智能、算法设计、系统架构与编程实践等核心环节，适合用于学习从理论到落地的系统实现方法。压缩包共50个文件，由20个Python源码脚本与10个pyc编译文件构成主程序，辅以5个JavaScript文件、3个JSON配置以及csv、sqlite3等数据与前后端支撑文件，整体仅1.18MB，目录结构清晰，便于按模块查看。内容涵盖模型训练与测试脚本、图像识别模块、数据预处理工具、爬虫采集逻辑以及Vue前端与Django后端工程，展示了从数据清洗、特征工程、模型构建到系统集成的完整流程，可直观学习实际项目中的编码规范、模块划分与异常处理技巧。目前已有156人学习浏览，适合需要参考完整课程设计写法、快速上手智能系统项目开发的计算机类学生。

1. 智能计算系统课程设计.zip：先搞清楚它到底装的是什么

拿到一个写着“毕设&课程作业_智能计算系统课程设计.zip”的文件，第一反应是解压、跑起来，然后对着目录发呆——这堆文件里，代码像代码，报告像报告，但你就是不知道哪部分是核心，哪部分是凑数的。我见过太多人栽在第一步：以为智能计算系统课程设计就是“训练一个模型交差”，结果答辩时被问“你的系统在哪里，加速比是多少”直接愣住。这门课的设计核心从来不是把准确率刷到多高，而是你能不能讲清楚一个神经网络从训练到推理的完整链路里，计算资源是怎么被组织、调度和优化的。这篇笔记就沿着这条链路，把选题、工程骨架、训练调参、算子优化到最后的交付打包全拆开讲。适合正在做毕设或课程作业、手里只有这个 zip 却不知道从哪里下手的人，也适合想把课程设计做出“系统感”而不是“作业感”的自学者。

2. 从选题到交付：一份智能计算系统课程设计的标准骨架

2.1 智能计算系统课程设计常见的四类选题

先泼一盆冷水：这个 zip 里的具体内容我没见过，但你手里大概率是下面四类主题之一。第一类是图像分类与识别，用 CNN 在 CIFAR-10 或自定义数据集上做分类；第二类是目标检测，比如 YOLO 系的简化复现；第三类是语音或文本相关的轻量级模型；第四类听起来最“系统”，要求你实现一个算子优化或 AI 芯片行为仿真，比如手写一个矩阵乘法加速器，或者用 Systolic Array 做硬件模拟。选哪类，直接决定后面所有代码和报告的长相。

如果让我给你一个通用建议，图像分类是最稳妥的保底选题：生态成熟、资料多、训练时间短，一晚能出结果，留足时间给报告和答辩。但如果你想要高分，就往“系统”两个字上靠——同样跑一个 ResNet，别人只交了训练代码，你在报告里多一张硬件仿真时序图，或者多一组算子融合的加速比实验，这就是课程设计里的“差异化”。我一般会把选题卡成下面这张表来判断工作量，你可以拿它去和老师确认边界。

选了方向之后，所有工作都可以拆成三件事：能跑的代码、能看的实验数据、能讲清楚的报告。后面每一章都按这三件事展开。

2.2 课程设计的文件结构与交付清单

把 zip 解压之后，别急着看代码，先看目录结构。一份合格的智能计算系统课程设计工程，至少要包含四个部分：代码、数据说明、实验结果和报告。我给你一个可以直接照抄的目录模板，这也是我做过多次课程设计后沉淀下来的结构。

smart_computing_design/ ├── README.md # 项目说明：环境、运行方式、目录解释 ├── requirements.txt # Python 依赖锁版本 ├── config/ │ └── train.yaml # 训练参数（学习率、batch、epoch） ├── data/ │ ├── README.md # 数据集来源与下载说明 │ └── .gitkeep # 空目录占位 ├── src/ │ ├── dataset.py # 数据加载与预处理 │ ├── model.py # 网络模型定义 │ ├── train.py # 训练入口 │ ├── eval.py # 评估与推理 │ └── utils.py # 工具函数：日志、checkpoint、种子 ├── scripts/ │ ├── setup_env.sh # 一键创建环境 │ └── run_experiment.sh # 一键跑实验 ├── experiments/ │ ├── logs/ # 训练日志(tensorboard或txt) │ ├── checkpoints/ # 权重文件 │ └── figures/ # 曲线图、结构图、加速比图 └── report/ ├── 课程设计报告.md # 文档源码 └── 答辩PPT.md

这个结构看起来有点繁琐，但它的价值是“分层隔离”：config 目录让你改参数不用翻代码；experiments 目录保证每次实验的日志和权重不会互相覆盖；report 目录和代码分开，避免答辩前临时找不到图。很多学生交上来的 zip 是代码和报告混在一起、日志和权重全堆在根目录，老师解压后第一印象就很差。

交付时，我一般会额外写一个 README，里面写清楚三件事：用什么 Python 和 CUDA 版本能跑起来、数据集从哪里下载或怎么生成、实验复现的命令是什么。这个 README 是老师快速验证你工作量的入口，也是你自己三个月后回头捡代码的后悔药。

2.3 搭一个最小可跑工程：目录、脚本与配置文件

目录结构敲定之后，第一步不是写模型，而是先把环境和脚本立起来。常见做法是用 conda 创建独立环境，避免把课程设计跑在系统 Python 里，否则搞坏环境又不知道怎么恢复，只能重装系统。这一步也是整个项目里最不“智能”但最容易卡住的环节。

# 创建独立环境，Python 版本按你后面要装的深度学习框架选择 conda create -n smart_design python=3.10 -y conda activate smart_design # 安装核心依赖；PyTorch 的安装命令建议去官网按你的 CUDA 版本生成 pip install torch torchvision pip install pyyaml tensorboard numpy matplotlib tqdm # 在项目根目录生成 requirements 锁文件 pip freeze > requirements.txt # 一键创建实验目录 mkdir -p experiments/logs experiments/checkpoints experiments/figures

这里的 conda 环境名 smart_design 可以随便改，但建议一眼能看出来是哪个项目的。PyTorch 安装是后续所有坑的源头：如果你直接用默认 pip 源安装 CPU 版 torch，模型也能跑，但训练慢到怀疑人生，而且后面做算子加速时很多硬件特性用不上。我已经不止一次看到有人跑课程设计用 CPU 版 torch 训了通宵，第二天发现 GPU 占用率一直是 0。

requirements.txt 的作用是锁版本，不是摆设。同一份代码，torch 1.x 和 torch 2.x 在接口和行为上差很多，比如后面要用的 torch.compile 就是 2.0 才有的特性。把 pip freeze 的结果存下来，既方便换机器复现，也是报告里“实验环境”一节最诚实的素材。写到这你大概明白了一件事：智能计算系统课程设计，本质上是把一个模糊的大任务拆成“环境 + 数据 + 模型 + 实验 + 报告”五个可以分别验证的模块。

3. 手把手搭一个图像分类智能计算系统：环境、数据与模型

3.1 环境配置：CUDA、PyTorch 与驱动三者的匹配

在你写任何一行模型代码之前，先确认一个三角关系：操作系统驱动、CUDA 运行时、PyTorch 的 CUDA 版本。这三者的匹配是课程设计里最大的翻车点，经常表现为：启动训练时突然报 undefined symbol，或者直接提示 CUDA driver version is insufficient。这三个报错都不是代码错误，而是环境错位。

# 查看显卡驱动支持的 CUDA 版本 nvidia-smi # 进入 Python 查看 PyTorch 实际编译的 CUDA 版本和 GPU 可用性 python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"

执行之后，你要对比两组数字：nvidia-smi 右上角的 CUDA Version 是驱动最高支持的上限，它必须大于等于 torch.version.cuda 显示的数字，训练才可能正常调用 GPU。如果 torch.version.cuda 是 11.8，而驱动只支持到 11.4，那你需要更新驱动，而不是去重装 PyTorch。反过来，如果 PyTorch 编译用的 CUDA 太高，即使驱动新，也可能因为缺少对应的运行时库而报错。

这里有一个从业者常说的血泪经验：不要在这个环节折腾“最新版本”。CUDA 12.x 虽然新，但课程设计常用的第三方算子库未必跟上了。我一般会选一个“过气但稳定”的组合，比如 PyTorch 2.x + CUDA 11.8，这个组合的坑在网上已经有大量答案，遇到的问题一搜就能解决。你在 zip 里如果发现代码用了某个较新的算子，再去调版本，别一开始就追新。

3.2 训练脚本怎么写：数据加载、模型与 checkpoint

环境确认没问题之后，训练脚本就是整个交付物的主干。下面这段代码是我常用的最小可跑版本，它做了四件事：加载数据、定义模型、训练若干轮、保存 checkpoint。课程设计不需要花哨，但需要有清晰的日志和可复现的种子。

import argparse import random import numpy as np import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets, transforms from torch.utils.tensorboard import SummaryWriter def set_seed(seed: int = 42): """固定随机种子，保证实验可复现。""" random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) def main(): parser = argparse.ArgumentParser() parser.add_argument("--epochs", type=int, default=20) parser.add_argument("--batch-size", type=int, default=128) parser.add_argument("--lr", type=float, default=1e-3) parser.add_argument("--data-dir", type=str, default="data") parser.add_argument("--save-dir", type=str, default="experiments/checkpoints") args = parser.parse_args() set_seed(42) device = "cuda" if torch.cuda.is_available() else "cpu" # CIFAR-10 数据加载，课程设计里最经典的入门数据集 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2470, 0.2435, 0.2616)), ]) train_dataset = datasets.CIFAR10(root=args.data_dir, train=True, transform=transform, download=True) train_loader = DataLoader(train_dataset, batch_size=args.batch_size, shuffle=True, num_workers=2) # 使用 PyTorch 内置的 ResNet18，课程设计足够用 model = torchvision.models.resnet18(num_classes=10).to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.AdamW(model.parameters(), lr=args.lr, weight_decay=5e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=args.epochs) writer = SummaryWriter("experiments/logs") for epoch in range(args.epochs): model.train() total_loss, correct, total = 0.0, 0, 0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() * images.size(0) correct += (outputs.argmax(1) == labels).sum().item() total += labels.size(0) scheduler.step() acc = correct / total print(f"Epoch {epoch+1}/{args.epochs} Loss {total_loss/total:.4f} Acc {acc:.4f}") writer.add_scalar("train/loss", total_loss / total, epoch) writer.add_scalar("train/acc", acc, epoch) # 每个 epoch 都存一份，防止训练中断后前功尽弃 torch.save({"epoch": epoch, "model_state_dict": model.state_dict(), "optimizer_state_dict": optimizer.state_dict()}, f"{args.save_dir}/resnet18_cifar10_epoch{epoch:02d}.pt") writer.close() if __name__ == "__main__": main()

这段代码值得解释的几个点：第一，set_seed 放在所有随机操作之前，并且固定为 42，这样你的实验和报告里的数字在重跑时能对上，答辩时如果有人质疑数据，你可以当场重跑验证；第二，optimizer 用的是 AdamW 而不是 Adam，它在权重衰减的处理上更规范，收敛也更稳，这属于“换一个配置就能少踩一个坑”的小改动；第三，scheduler 选择余弦退火，它能让学习率在训练后期平滑下降，比固定学习率更容易在 CIFAR-10 上冲到 90% 以上。

checkpoint 保存的位置和控制台日志的打印是配套的。很多学生只在最后保存一份权重，一旦训练中途断了或者发现某轮之后过拟合，没有后悔药。按 epoch 保存虽然占一点磁盘空间，但 CIFAR-10 的 ResNet18 一个权重也就几十 MB，课程设计完全承受得起。这些文件到写报告时就是你画收敛曲线的原始数据。

3.3 关键参数怎么设：学习率、批次、优化器与随机种子

参数设置是这个项目里最接近“玄学”的部分，但玄学背后有规律。我给出一个课程设计场景下的推荐起点，你可以照抄，再根据训练日志微调。

这里的参数不是一成不变的答案，而是给老师的“可解释性”素材。答辩时被问“你为什么用这个学习率”，正确答案不是“网上说的”，而是“我用 1e-3 跑 5 轮 loss 从 2.3 降到 1.1，换 1e-2 直接震荡，所以保留了这个值”。这句话背后体现的是你理解参数和训练动态之间的关系，这正是智能计算系统课程设计想考察的工程判断力。

还有一个被很多人忽略的参数是 DataLoader 的 num_workers。课程设计的机器如果不是 128G 内存的大机器，num_workers 设成 8 以上会导致每个 worker 预加载一份数据，内存先爆掉。我一般设 2 到 4，够用且稳定。如果你在 Windows 下跑，还要注意把训练逻辑包在 ifname== "main": 里面，否则多进程数据加载会反复创建子进程，这是 Windows 上最常见的挂起原因之一。

4. 智能计算系统的“智能”在哪：算子优化与模型加速

4.1 用 torch.compile 和算子融合把训练提速

课程设计到这一步，你已经有一个能收敛的模型了。但智能计算系统的分数区分度，恰恰在于你愿不愿意往“计算”本身再走一步。最稳妥的加速手段是 PyTorch 2.x 引入的 torch.compile，它能把模型的计算图编译成更高效的算子序列，在部分模型上能让训练和推理都快 30% 到 50%。

import torch def build_model(compile_mode: str = "default"): """构建 ResNet18，并可选地使用 torch.compile 加速。""" model = torchvision.models.resnet18(num_classes=10) if hasattr(torch, "compile"): # compile 是 PyTorch 2.0 起稳定的功能 model = torch.compile(model, mode=compile_mode) return model

torch.compile 的 mode 参数有三个常用选项：default 在不改变模型行为的前提下最大化优化；reduce-overhead 适合推理场景，可以减少框架层面的调度开销；max-autotune 会花更长时间做自动调优，适合你知道要跑很多轮的训练。课程设计建议先用 default，它几乎不会报错，也不需要改任何训练逻辑，是性价比最高的“白嫖”加速。

这里要提醒一个坑：torch.compile 在第一次调用时会做编译，你会看到一段看起来很吓人的“卡住”，但那是正常的编译时间。如果训练一启动 CPU 占用飙高而 GPU 没动静，别急着中断，等一两分钟看日志是否继续输出。另外，如果你的 PyTorch 版本是 1.x，没有 torch.compile，那这部分演示代码就跑不了，这是我在写报告时会在“实验环境”里专门注明的一点，也是评估你环境能力的一部分。

4.2 模型量化与剪枝：让网络真正能落地

训练提速之后，第二个加分的点是推理侧的优化。量化是这里最常见的手段：把 FP32 的权重和激活从 32 位浮点压到 8 位整数，模型体积变成四分之一，推理延迟大幅下降，精度损失通常控制在 1% 到 3% 以内。对课程设计来说，量化是一个“投入小、产出大”的实验，一组量化前后的对比数据足够撑起报告的一个核心章节。

from torch.ao.quantization import quantize_dynamic import torch def quantize_model_for_cpu(model, save_path: str): """对模型做动态量化，适合 CPU 端推理部署。""" # 动态量化只量化 Linear 和 LSTM 等层，训练和原模型保持一致 quantized_model = quantize_dynamic( model, # 原始 FP32 模型 {torch.nn.Linear, torch.nn.Conv2d}, # 需要量化的层类型 dtype=torch.qint8 # 量化到 8 位整数 ) torch.save(quantized_model.state_dict(), save_path) return quantized_model

动态量化是 PyTorch 里最省事的量化方式，不需要重新训练，也不需要校准数据集，适合课程设计先跑通流程。但要注意，动态量化主要对 Linear 层收益明显，对卷积层效果有限。如果你的模型就以卷积为主，更专业的做法是做量化感知训练，但那需要额外的校准流程和时间，我建议不作为必选项，而是放在报告的“后续工作”一节里提一句，反而显得你理解边界。

量化的本质是拿精度换速度，所以报告里必须同时给出两个数字：量化前的准确率和量化后的准确率，以及对应的推理延迟。没有延迟对比的量化实验是无效实验，因为老师看不到你付出了什么、换来了什么。这也是课程设计报告最常被扣分的地方：只贴代码，不贴实验对照数据。

4.3 推理端部署：把 checkpoint 转成可运行的服务或嵌入式模型

如果你的课程设计主题带“系统”二字，把它部署成一个可以被外部调用的服务，是整个项目的临门一脚。常见路径有两种：一种是导出 ONNX，然后用 ONNX Runtime 做 CPU 推理；另一种是导出 TorchScript，继续留在 PyTorch 生态里。ONNX 的好处是中立、跨框架，报告里可以自豪地写“模型可被其他框架加载”。

import torch def export_onnx(model, dummy_input, save_path: str): """把 PyTorch 模型导出为 ONNX 格式。""" model.eval() # dummy_input 的形状要和真实输入一致：NCHW torch.onnx.export( model, dummy_input, save_path, opset_version=17, # ONNX 算子集版本，较高版本支持更多算子 input_names=["input"], # 输入节点名，部署时要用 output_names=["output"], # 输出节点名 dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}} ) print(f"ONNX model saved to {save_path}") # 以 1 张 3x32x32 的输入为例导出 dummy = torch.randn(1, 3, 32, 32) export_onnx(resnet18_model, dummy, "experiments/checkpoints/resnet18.onnx")

导出时的 dynamic_axes 参数很关键：它把 batch 维度声明为动态，这样部署时调用方可以一次传 1 张图，也可以一次传 32 张图，不用为不同 batch 各导出一份模型。opset_version 建议不要低于 15，否则一些新算子（比如 attention 相关的）导不出来；但也不要盲目用最新版，因为 ONNX Runtime 的版本可能没跟上，导出成功但加载失败。

ONNX 文件导出之后，验证部署是否成功的标准动作，是用 ONNX Runtime 加载并跑一次推理，比较输出和 PyTorch 原始输出的差异。这个验证脚本很短，但它是你报告里“模型可部署”这句话的唯一证据。没有这一步，你导出的 ONNX 只是一个躺在磁盘上的文件。

5. 智能计算系统课程设计常见问题排查：拿到 zip 后先别急着跑

5.1 解压报错 invalid zip archive: could not find EOCD 怎么办

现象：Windows 自带解压工具或命令行 unzip 都报错，提示 could not find EOCD，甚至直接说文件损坏；在项目工程里导入压缩包资源时也常遇到 invalid zip archive 的提示。

原因：这个报错的字面含义是压缩包末尾的 End of Central Directory 记录找不到。最常见的来源有三个：文件下载中断导致 zip 被截断；文件通过网盘或聊天工具传输时被二次编码；在某些环境下用不当方式上传，文件头被改写。课程设计 zip 出现这个问题，多半是传文件的人自己打包都没打开验证过。

解决：先别急着删文件，用命令行工具校验一下完整度。Linux/macOS 上执行 unzip -t 文件名.zip，它会逐文件测试校验和；Windows 可以用 PowerShell 的 Get-FileHash 对比原始哈希值，如果源文件在另一台机器上，先算两边哈希是否一致。如果确认损坏且无法恢复，让发文件的人重新用 zip -r 打包，这个命令会把整个目录递归压进去，不容易漏文件。

5.2 CUDA 版本不匹配，训练一启动就崩

现象：训练脚本一执行就在导入 torch 或者第一次调用 GPU 时报错，常见的包括 undefined symbol、CUDA driver version is insufficient、no kernel image is available for execution on the device。

原因：本质是三个版本之间的链条断裂——显卡驱动支持的 CUDA 上限，低于 PyTorch 编译时对应的 CUDA 版本；或者 PyTorch 是在没有 GPU 的机器上安装的 CPU 版本，结果被拷到有 GPU 的机器上运行。课程设计里还有一种情况：zip 里带了 requirements.txt，但安装时 pip 自动选了 CPU 版 torch。

解决：按第 3 章的方式先跑两行诊断命令，确认 torch.cuda.is_available() 为 True 再开始训练。如果确认是版本不匹配，优先升级显卡驱动，而不是重装 PyTorch，因为重装 torch 也要匹配你的 CUDA 运行时，绕一圈还是回到原点。升级驱动后记得重启系统再验证。

5.3 数据路径写死，换机器就翻车

现象：代码在自己电脑上能跑，拷贝到实验室机器或者老师电脑上，运行时报 FileNotFoundError，路径里还带着原来的用户名，比如 C:\Users\old_name。

原因：课程设计里最常见的坏习惯是把数据集路径硬编码为绝对路径。作者在本机跑通后直接打成 zip，目录结构里没有数据说明，接收方解压后目录结构不一样，路径自然失效。

解决：写代码时用相对路径并配合 argparse 或者配置文件，项目根目录下用 Path(file).resolve().parent.parent 推导绝对路径，这样无论 zip 被解压到哪里都能跑。在 README 里写清楚数据集应该放在 data/ 目录下。拿到别人的 zip 后，先全局搜索一下代码里有没有写死的盘符或 home 目录，这一步能避免跑之前白折腾半小时。

5.4 显存 OOM 与 batch_size 的平衡

现象：训练到某个 epoch 突然报 CUDA out of memory，进程被杀；有时是刚开始就跑不了，有时是跑了一半显存被塞满。

原因：OOM 的根源是 batch_size 乘以模型显存占用量超出了显卡容量。课程设计的显卡往往不是顶配，8G 显存跑 ResNet18 用 128 的 batch 在 32x32 输入下没问题，但如果你把输入改成 224x224，显存占用量会翻好几倍，OOM 就是必然的。

解决：优先调低 batch_size，这是最简单的解法；如果 batch 太小导致训练不稳，就保持原来的 batch、改用梯度累积，每 N 个 batch 做一次 optimizer.step()；还可以在训练脚本里加一句 torch.cuda.empty_cache() 清理缓存碎片。还有一个技巧是开启混合精度训练，用 torch.autocast 把前向计算降到 FP16，显存占用直接减半，精度损失可以忽略，这在报告里也是加分项。

5.5 报告里的数据和代码对不上

现象：答辩 PPT 里的准确率曲线和训练日志里的损失曲线对不上，或者代码里标注的实验配置和报告里写的 batch_size 不是同一个值，被老师当众指出来。

原因：课程设计工期紧，学生通常是先跑完实验再补报告，补报告时日志已经找不到了，凭记忆写数字，自然对不上。这是态度问题，比技术问题更致命。

解决：建立“一次实验一份归档”的纪律。每跑一组关键实验，就把训练日志、权重、TensorBoard 导出的图片、当时的超参数配置放在同一个命名规范的目录里，比如 experiments/run_comparison_lr_1e-3/。写报告时直接从这些目录粘贴数据和图，保证每个数字都有日志做支撑。如果发现代码改过而实验没重跑，宁可少写一个实验，也不要编数字，老师问几句就会露馅。

6. 把课程设计变成能打的交付物：报告、答辩与三个加分技巧

报告是课程设计里权重最高的交付物，别把它写成代码说明书。我见过的高分报告几乎都长这样：问题定义、相关工作、系统架构图、核心算法、实验计划、实验结果与对照、讨论与不足、结论。系统架构图是很多学生的弱项，但恰恰是老师最想看到的图——你要把“数据怎么流动、计算怎么调度、模型怎么优化”画在一张图里，这比贴一百行代码都更能体现你对智能计算系统的理解。

答辩时记住一件事：讲清楚三个为什么——为什么选这个任务、为什么用这个方案、为什么参数是这么多。对应到本文，就是你选图像分类的理由、用 ResNet18 加量化的理由、batch 和 lr 的调整依据。这三个问题回答顺了，答辩就赢了。最后给你三个投入产出比最高的加分技巧：第一个是可视化，用 TensorBoard 导出 loss 曲线和准确率曲线，再存张特征图可视化图片，报告立刻显得饱满；第二个是消融实验，什么都不做、只用 torch.compile、再叠加量化的三组数据，加速比和精度损失的对照表是课程设计里最硬核的一页；第三个是把模型导成 ONNX 后用 CPU 跑一次推理，在报告中附上推理延迟数字，证明你的系统能落地。

交付打包时，别直接在项目文件夹里右键压缩，那样会把 PyTorch 的缓存、pycache、数据集都压进去，zip 膨胀好几倍。我习惯在项目根目录执行清理后再打包：

# 清理所有 Python 缓存 find . -type d -name "__pycache__" -exec rm -rf {} + # 把当前目录压缩成课程设计提交版.zip，排除数据和大日志 zip -r 课程设计提交版.zip . -x "data/*" -x "experiments/logs/*" -x "*.git*"

压缩时排除数据目录这一步很关键。课程设计的数据集动辄几百 MB，老师不会要你的原始数据，他只需要你的代码、样例和说明文档；数据这部分的下载方式和预处理说明写进 README 就够了。日志和 git 目录同理，这些内部文件不该出现在交付包里。我带的每一届课程设计里，翻车最狠的从来不是代码跑不通，而是代码跑通的人讲不清楚自己的系统“算”在哪。智能计算系统这门课，本质上是逼你想明白一件事：模型训练和推理过程中，算力是怎么被消耗的、又该怎么被优化。这份想法写进报告，你就已经做到了这门课的初衷。上面的流程我陪学生走了不下十轮，踩过的坑都在第 5 章里了，你把它当成一份检查清单用。希望帮到你。

本文还有配套的精品资源，点击获取