在Excel中动画演示大模型原理的教学工具

综合介绍

AI by Hand 是一个专注于通过Excel教授人工智能（AI）模型构建的教育网站，由Tom Yeh教授创建并维护。它通过提供一系列免费的电子表格模板和详细教程，帮助用户在Excel中手动实现AI算法，如神经网络、Transformer等。网站的目标是让学习者通过实践操作理解AI背后的数学和逻辑，适合学生、教师和对AI感兴趣的初学者。内容涵盖基础的多层感知器（MLP）到复杂的计算机视觉模型，强调“手工”计算的价值。网站结合Substack博客形式更新，提供互动性强的学习资源，受到全球教育者和学习者的欢迎。

功能列表

• 提供Excel模板下载：用户可以下载预设公式和结构的电子表格，直接用于AI模型计算。
• 支持多种AI模型教学：包括MLP、Transformer、RNN、Backpropagation等模型的Excel实现。
• 实时更新教程内容：通过Substack平台定期发布新教程和练习。
• 自定义模型参数：用户可调整表格中的权重、偏置等参数，观察计算结果变化。
• 视频演示支持：部分教程配有视频，展示如何在Excel中操作复杂算法。
• 开源共享资源：部分内容在GitHub上开源，供用户自由修改和贡献。
• 互动反馈机制：用户可通过评论或邮件与作者互动，提出改进建议或报告错误。

使用帮助

1. 访问网站并获取资源

• 步骤：打开浏览器，输入网址https://www.byhand.ai/t/spreadsheet，进入AI by Hand的Spreadsheet页面。
• 操作：页面会展示一个Google Sheets链接（例如https://by-hand.ai/sp/tfmr），点击后可查看Transformer模型的Excel模板。
• 提示：建议注册Substack账号订阅Tom Yeh的博客，以获取最新模板和教程推送。

2. 下载或复制Excel模板

• 下载方式：在Google Sheets页面，点击“文件”>“下载”>“Microsoft Excel (.xlsx)”即可保存到本地。
• 复制方式：点击“文件”>“制作副本”，将模板保存到自己的Google Drive，然后在线编辑。
• 注意事项：确保你的Excel版本支持公式计算（如SUM、PRODUCT等），推荐使用Excel 2016或更高版本。

3. 主要功能的详细操作流程

功能一：使用Excel模板学习Transformer模型

• 准备：打开下载的Transformer模板（例如tfmr.xlsx），你会看到多个工作表，包括输入层、权重矩阵和输出计算区域。
• 操作流程：
  1. 输入数据：在“Input”工作表中填入测试数据，例如一个简单的句子向量（数字形式）。
  2. 调整参数：转到“Weights”工作表，修改权重和偏置值（例如将某个权重从0.5改为0.8）。
  3. 查看计算过程：切换到“Forward”工作表，表格会自动计算前向传播结果，显示每一步的中间值。
  4. 检查输出：在“Output”工作表中查看最终结果，理解Transformer的注意力机制如何影响输出。
• 特色功能：模板内置公式（如矩阵乘法MMULT）和可视化图表，用户可通过调整参数直观观察模型行为。
• 技巧：若计算结果异常，检查公式引用范围是否正确，或参考网站上的教程视频。

功能二：手动实现Backpropagation

• 准备：从网站下载Backpropagation模板（参考https://www.byhand.ai的Backpropagation文章）。
• 操作流程：
  1. 设置网络结构：在模板中输入一个三层网络的初始参数（如输入层2个神经元、隐藏层3个、输出层1个）。
  2. 填入训练数据：在“Data”工作表中输入样本数据和期望输出（例如输入[0.1, 0.2]，期望输出0.7）。
  3. 计算前向传播：转到“Forward Pass”工作表，观察每一层的输出结果。
  4. 执行反向传播：在“Backward Pass”工作表中，表格会根据损失函数自动计算梯度，并更新权重。
  5. 迭代调整：多次运行步骤3和4，观察权重如何逐步优化。
• 特色功能：通过手动输入和计算，用户能深入理解反向传播的数学原理，模板还标注了关键公式（如∂L/∂w）。
• 建议：初次使用时，建议配合网站上的文章（如2024年10月7日的Backpropagation教程）逐步操作。

功能三：自定义模型参数实验

• 准备：选择任意模板（如MLP或RNN），确保已复制到本地。
• 操作流程：
  1. 打开参数区域：找到标有“Weights”和“Biases”的单元格区域。
  2. 修改值：将某个权重从默认值（如0.3）改为其他值（如1.2），或调整偏置。
  3. 运行计算：按Enter键或刷新表格，观察输出结果如何变化。
  4. 对比结果：记录不同参数下的输出差异，理解参数对模型的影响。
• 特色功能：这种“试错”方式让用户直观感受AI模型的敏感性，适合教学或实验。
• 小贴士：若结果超出预期，可用Excel的“撤销”功能（Ctrl+Z）恢复原始值。

4. 获取更多帮助

• 视频教程：访问AI by Hand的YouTube频道（如DeepSeek Lecture），观看Tom Yeh或助手的操作演示。
• 社区互动：在Substack文章下留言，提出问题或分享你的模板改进，作者通常会回复。
• 进阶资源：探索网站的其他页面（如https://www.byhand.ai的主页），获取更多模型模板（如AlphaFold、LSTM）。

5. 注意事项

• 设备要求：确保Excel或Google Sheets支持复杂公式和图表渲染，低版本可能无法正常显示。
• 学习建议：初学者可从简单的MLP模板开始，逐步挑战复杂的Transformer或计算机视觉模型。
• 保存进度：定期保存文件，避免因误操作丢失数据。

通过以上步骤，用户可以快速上手AI by Hand的Excel模板，并在实践中掌握AI模型的核心原理。网站的最大亮点在于无需编程基础，仅通过熟悉的Excel即可完成AI学习，极大地降低了入门门槛。