入门手册使用说明
欢迎来到XEdu的AI天地！
如果您是一位从来没有接触过AI的“小白”老师，只要把认真本手册精选的案例一一完成，就可以胜任当前的中小学AI教育了。虽然听起来AI模型训练非常高深，但不用担心，XEdu就是一个以“快速入门AI”为目标的学习工具。
如果您是一位具备了一定AI基础的教师，并且接触过Keras、Pytorch之类的深度学习开发工具，那么本手册的案例能够帮助您快速了解XEdu，了解XEdu的优势。您会发现，如果早点发现XEdu，AI学习之路会顺畅很多。
如果您是一位高校的AI专业教师，也欢迎您通过本手册的案例了解XEdu。用XEdu能够让AI学习曲线变得平滑，让学生快速具备基础。虽然XEdu为中小学设计，但也可以用于高校教育，尤其是非计算机专业。
在本手册中，我们还提供了链接“传送门”，方便小伙伴们轻松玩转AI。当然，有些案例需要您多次实践，毕竟AI涉及到的专业名词太多了。每一次实践，您都会得到提升。
您有多种途径快速使用XEdu，基于网络或者本地。
网页推荐使用浦育平台、OpenHydra和Mo，里面有XEdu容器，能够省去环境的配置，并且浦育平台会提供一定额度的免费算力，上手更加轻松。
本地环境的安装推荐选择XEdu一键安装包（CPU版本），它满足大部分机房需求。
案例一：用XEduHub执行推理任务（检测任务）
简介：
XEduHub针对一些常见任务，提供了现成的优质模型，可以完成目标检测、关键点检测等等，还可以实现自训练模型推理，让初学者能轻松进行AI应用实践。本项目完成了直接调用XEduHub一个内置模型det_hand实现检测手的功能，只用7行代码就可实现。
案例二：用BaseML训练机器学习模型（抛物线）
简介：
BaseML库提供了众多机器学习训练方法，如线性回归、KNN、SVM等等，可以快速训练和应用模型。本项目使用BaseML中的回归算法，以及其他算法训练投石车落地距离预测模型。投石车落地距离预测是一个典型的抛物线问题，根据投石角度与距离对照表，用机器学习方法预测抛物线函数。
案例三：用BaseNN训练搭建全连接神经网络（鸢尾花）
简介：
BaseNN可以方便地逐层搭建神经网络，支持搭建CNN和RNN，或二者的结合，训练深度学习模型。本项目核心功能是完成使用经典的鸢尾花数据集完成鸢尾花分类，最后完成了一个简单的鸢尾花分类小应用，输入花萼长度、宽度、花瓣长度、宽度，可以输出预测结果。
案例四：用MMEdu训练LeNet图像分类模型（手写体）
简介：
MMEdu是人工智能视觉算法集成的深度学习开发工具。本项目使用MMEdu的图像分类模块MMClassification，根据经典的手写体ImageNet格式数据集，训练LeNet模型实现手写体识别。此外目前MMClassifiation支持的SOTA模型有LeNet、MobileNet、ResNet18、ResNet50等，支持训练的数据集格式为ImageNet。
案例五：用MMEdu训练SSD_Lite目标检测模型（猫狗）
简介：
MMEdu是人工智能视觉算法集成的深度学习开发工具。本项目使用MMEdu的目标检测模块MMDetection，根据猫狗多目标COCO数据集，训练SSD_Lite模型实现猫狗目标检测。此外此外目前MMDetection支持的SOTA模型有SSD_Lite、FaterRCNN、Yolov3等，支持训练的数据集格式为COCO。