软件工程第一次作业

这个作业属于哪个课程	202601 软件工程
这个作业要求在哪里	2026秋软件工程个人作业（第一次）
这个作业的目标	了解自己会什么、不会什么，完成 Hugging Face API 调用实践，搭建个人技术博客与 GitHub 主页
学号	102401119

软件工程实践第一次作业

一、Hugging Face API 调用：用 Flux 模型生成真实感图像

1.1 任务描述

调用 Hugging Face 上的 Flux Realism 模型（XLabs-AI/flux-RealismLora），生成一张贴近真实世界的图像，并结合前端实现交互生成。

1.2 准备工作

打开 huggingface.co 注册个人账号
右上角头像 → Settings → Access Tokens → Create new token，选择 Inference 类型，复制保存 hf_ 开头的 Token

📷 截图 1：Hugging Face Access Token 创建页面

1.3 技术方案

flux-RealismLora 是一个 LoRA 微调模型，不能单独运行，需要挂载在 Flux.1-dev 基础模型上。由于 HF 官方推理 API 已弃用 FLUX.1 系列，最终采用 Hugging Face Space 社区部署的应用（DamarJati/FLUX.1-RealismLora），通过 Python gradio_client 调用。

采用前后端分离架构：前端 HTML 提供交互界面，后端 Python 做代理调用 HF Space API（解决浏览器跨域问题）。

1.4 操作步骤

步骤 1：在 Hugging Face 注册账号并获取 Access Token

步骤 2：编写后端代理脚本（server.py），使用 gradio_client 连接 HF Space

步骤 3：编写前端页面（flux-realism-generator.html），包含提示词输入、参数调节、结果展示

步骤 4：启动后端服务，浏览器打开前端页面，填入 Token，输入提示词，点击生成

步骤 5：等待 30~60 秒（ZeroGPU 排队 + 模型推理），查看生成结果

1.4.1 后端核心代码（server.py）

from gradio_client import Client
import base64
import http.server
import json
import os

# 连接 HF Space（匿名访问）
client = Client("DamarJati/FLUX.1-RealismLora")

# 调用 /run_lora 接口
result = client.predict(
    prompt,          # 提示词
    cfg_scale,       # 引导系数 3.5
    steps,           # 采样步数 28
    True,            # 随机种子
    0,               # 种子值
    width,           # 宽度 1024
    height,          # 高度 1024
    lora_scale,      # LoRA 强度 1.0
    api_name="/run_lora"
)

# result 格式: (图片路径, 随机种子)
image_path = result[0]
used_seed = result[1]

# 读取图片转 base64 返回给前端
with open(image_path, 'rb') as f:
    img_base64 = base64.b64encode(f.read()).decode('utf-8')

1.4.2 前端核心代码（JavaScript）

// 调用本地后端 API
const response = await fetch('/generate', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
        hf_token: token,
        prompt: promptText,
        cfg_scale: parseFloat(cfg.value),
        steps: parseInt(steps.value),
        width: parseInt(width.value),
        height: parseInt(height.value),
        lora_scale: parseFloat(loraScale.value)
    })
});

const result = await response.json();

// 显示生成的图片
const img = document.createElement('img');
img.src = `data:image/png;base64,${result.image_base64}`;
imageContainer.appendChild(img);

📷 截图 2：前端页面完整截图（含输入框、参数、结果图和调用记录）

1.5 API 调用成功记录

字段	值
目标服务	DamarJati/FLUX.1-RealismLora (HF Space)
模型	XLabs-AI/flux-RealismLora
提示词	photograph of a college student walking on campus path, golden hour, natural soft lighting, realistic skin texture, DSLR photo, 8K, ultra detailed, sharp focus, depth of field
图片尺寸	1024 × 1024
采样步数	28
引导系数	3.5
实际随机种子	188375083
调用时间	2026-09-10 14:55:09
耗时	33.88 秒

📷 截图 3：API 调用记录面板截图

1.6 提示词设计思路与修改过程

一条高质量的写实风格提示词包含五个要素：主体 + 场景 + 光线 + 镜头参数 + 质感词。

迭代过程：

版本	提示词	效果与问题
初版	`a man`	画面笼统，场景、光线都不明确，缺乏氛围感
最终版	`photograph of a college student walking on campus path, golden hour, natural soft lighting, realistic skin texture, DSLR photo, 8K, ultra detailed, sharp focus, depth of field`	校园小路 + 黄昏光线 + 单反参数，光影层次丰富，质感真实

设计心得：

主体越具体越好，"college student walking on campus path" 比 "a man" 能生成更多真实细节
光线决定氛围，golden hour 比"光线充足"更接近真实摄影的光影
镜头参数是真实感密码，DSLR photo + depth of field 有效抑制 AI 塑料感
质感词收尾，8K + ultra detailed + realistic skin texture 强化真实度

📷 截图 4：最终生成图像特写

1.7 体验与心得

API 调用门槛低：HF 把复杂模型封装成接口，几十行代码就能调用最先进的图像生成模型，不需要本地 GPU。
提示词工程是真正的门槛：模型能力再强，提示词不好输出依然平庸。五要素法对真实感提升非常显著。
前后端分离是解决跨域的标准方案：纯前端直接调第三方 API 会遇到 CORS 限制，加一个本地后端代理就能解决，这让我理解了 Web 开发为什么普遍采用前后端分离架构。
排障方法论比单个知识点更有价值：过程中遇到了 CORS、SSL、网络代理、API 参数等一系列问题，逐层排查、仔细读错误信息的思路比记住某个 API 更重要。

二、GitHub 个人主页搭建

2.1 方案选择

采用方案一：创建与 GitHub ID 同名的仓库（Lqh5/Lqh5），在根目录 README.md 中撰写个人介绍。

2.2 操作步骤

在 GitHub 注册账号，用户名：Lqh5
新建仓库，名称与用户名完全相同：Lqh5
勾选 Add a README file，创建仓库
编辑 README.md，写入个人介绍、技能树、三年规划等内容
提交保存后，访问 GitHub 个人主页即可看到效果

2.2.1 README.md 核心内容

# 👋 你好，我是 Lqh5

## 📖 关于我
- 🏫 学校：福州大学
- 📚 专业：软件工程
- 💡 兴趣爱好：打篮球、看电影、写代码

## 🛠️ 技能与成果
- 编程语言：C/C++、Python、Java
- 掌握的知识：数据结构、面向对象编程、数据库基础
- 实践经历：本次完成了基于 Hugging Face API 的 Flux 图像生成应用

## 🎯 未来三年规划
- 短期：打好专业基础，积累代码量
- 中期：找实习，深入学习后端开发
- 长期：考研/就业，成为合格的软件工程师

📷 截图 5：GitHub 个人主页截图（显示 README 内容）

2.3 个人主页内容

主页包含三个部分：

关于我：学校、专业、兴趣爱好
技能与成果：已掌握的编程语言、实践经历、自我评估
未来三年规划：短期、中期、长期目标

GitHub 主页地址：https://github.com/Lqh5

三、技能树与自我评估

3.1 已具备的专业知识与能力

能力 A：程序设计基础

掌握 C/C++、Python 基本语法，能编写中等规模程序
掌握常见数据结构（数组、链表、栈、队列、树），理解基本算法思想
数据结构课程成绩良好，具备 LeetCode 简单题解题能力

能力 B：面向对象与数据库

学习过 Java 面向对象编程，理解类、继承、多态的概念
了解 MySQL 基本操作（增删改查），能设计简单的数据库表

能力 C：Web 开发入门

了解 HTML/CSS/JavaScript 基础，能编写简单的静态页面
本次作业完成了基于 Hugging Face API 的图像生成 Web 应用（前端 + 后端）

3.2 对哪些技术方向感兴趣

AI 应用开发：对调用大模型 API、做 AI 小工具很感兴趣
Web 全栈开发：喜欢从前端到后端完整做一个产品的感觉
软件工程方法：想学习怎么把一个项目从需求做到上线

3.3 还欠缺的能力

代码量不足，实际项目经验少
不了解单元测试、代码评审等工程化实践
团队协作经验少，Git 协作流程不熟练
对操作系统、计算机网络等底层知识掌握不深

四、代码量统计与目标

截至目前代码量：约 3000 行
- C/C++ 课程作业：约 1500 行
- Python 脚本与小项目：约 800 行
- 其他课程作业：约 700 行
本学期课程后期望达到：8000~10000 行
三年后目标：2 万行以上，能独立完成中小型完整项目

五、本课程最期待学习的知识与收获

最期待学习的知识

软件需求分析方法：怎么把模糊的想法变成清晰的规格说明
设计模式：常见的设计模式和适用场景
测试与质量保障：单元测试、集成测试、覆盖率怎么用
团队协作流程：Git 协作规范、敏捷开发流程

希望获得的收获

完整经历一次"从需求到上线"的项目开发过程
建立工程化思维：代码不仅要能跑，还要可维护、可协作
提升文档撰写和表达汇报的能力

六、AI 工具生成的软件工程学习指南

我用 DeepSeek 生成了一份软件工程课程学习指南：

软件工程课程学习指南

基础阶段：掌握一门编程语言 → 数据结构 → 算法设计，打好底层基础

设计阶段：学习面向对象设计 → 设计模式 → 架构设计，提升抽象思维

工程阶段：学习版本控制（Git）→ 自动化测试 → CI/CD，建立工程化思维

实践阶段：参与真实项目 → 团队协作 → 代码评审，积累实战经验

建议学习顺序：先把一门语言学透，再学数据结构和算法，然后接触 Git 和 Web 开发，最后通过完整项目串起所有知识。

我的分析

这份指南整体是合理的，它遵循了"基础 → 设计 → 工程 → 实践"的递进顺序，和我自己的学习节奏比较匹配。尤其是"通过完整项目串起所有知识"这个思路，和本课程的实践导向一致。

但它也有不足之处：内容偏笼统，没有提到具体的课程项目、作业节奏和时间安排，也没有针对不同方向（前端/后端/算法）给出差异化的建议。对我来说，最有价值的是它提醒了我工程化实践（测试、CI/CD）的重要性，这是我之前比较忽视的部分。

七、总结

第一次软件工程实践作业，从注册账号到完成 API 调用、搭建 GitHub 主页、整理博客随笔，完整走了一遍技术博客写作的流程。最大的感受是：真正的门槛不是调用 API，而是把自己的思路和成果清晰地表达出来。写博客的过程也是梳理知识的过程，把做过的事情用文字讲清楚，比单纯做出来更有价值。

posted @ 2026-09-10 16:16 LLLqh 阅读(12) 评论(0) 收藏举报

刷新页面返回顶部