软件工程课程第一次个人作业

这个作业属于哪个课程	https://edu.cnblogs.com/campus/fzu/202601SofwareEngineering
这个作业要求在哪里	https://edu.cnblogs.com/campus/fzu/202601SofwareEngineering/homework/15712
这个作业的目标	GitHub、博客园、HuggingFace账号注册与完善；完成Flux模型API调用及前端交互实现；搭建GitHub个人主页；复盘自身能力、明确课程学习目标
学号	0724080101

一.准备工作

GitHub baiyi060404
博客园个人主页： baiyi060404
已关注吴越钟老师、张明圣和王奇蕊助教，并加入 202601 福州大学软件工程班级博客

二.huggingface-API的调用

Github仓库完整代码

项目结构

huggingfaceapi/
├── app.py              # API 调用和 Gradio 交互页面
├── requirements.txt    # Python 依赖
├── .env                # Token 配置
├── .gitignore          # Git 忽略规则
└── outputs/            # 图片和不含 Token 的 JSON 调用记录

outputs/ 在第一次点击「生成图片」后自动创建，不需要手动建；里面每张图都配一份同名 .json。运行产生的缓存文件依赖 Python 版本和平台，不参与程序逻辑。

核心代码

配置区：模型、服务商和输出路径抽成常量，方便替换。

MODEL_ID = "XLabs-AI/flux-RealismLora"
PROVIDER = "fal-ai"
PROJECT_DIR = Path(__file__).resolve().parent
OUTPUT_DIR = PROJECT_DIR / "outputs"

取 token 并组装请求参数：token 从环境变量 HF_TOKEN 读；尺寸、步数、引导强度、seed 先放进 parameters 字典，填了负向提示词再加上。

token = os.getenv("HF_TOKEN")

parameters = {
    "width": width,
    "height": height,
    "num_inference_steps": steps,
    "guidance_scale": guidance_scale,
    "seed": seed,
}
if negative_prompt:
    parameters["negative_prompt"] = negative_prompt

真正调用云端：InferenceClient 指定服务商和 token，text_to_image 把 prompt、模型和参数一起发出去，拿回 PIL 图片后存成 PNG。

client = InferenceClient(provider=PROVIDER, api_key=token)
image = client.text_to_image(
    prompt=prompt,
    model=MODEL_ID,
    **parameters,
)
image.save(image_path)

写调用记录：发起前先建一条 started 记录，含时间、模型、服务商、提示词和参数；成功后补上 success、耗时和图片路径，失败后补上错误类型和信息，再由 _write_record() 写成同名 JSON。

record = {
    "status": "started",
    "requested_at": timestamp.isoformat(timespec="seconds"),
    "model": MODEL_ID,
    "provider": PROVIDER,
    "prompt": prompt,
    "parameters": parameters,
}
# 成功后 update：status=success、elapsed_seconds、output
# 失败后 update：status=error、error_type、error_message

前端：Gradio Blocks 搭单栏界面——提示词框、生成按钮、结果图，负向提示词和尺寸、步数、seed 收进折叠面板，点按钮触发 generate_image。

1. 准备 Hugging Face Token

登录 Hugging Face，进入 Access Tokens。
创建 Fine-grained Token，并授予调用Inference权限。
在项目根目录新建 .env，写入自己的 Token：

HF_TOKEN=hf_你的真实Token

2. 安装与启动

在项目目录打开终端安装依赖：

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt

输入下列代码启动程序：

.\.venv\Scripts\python.exe app.py

启动后访问终端显示的本地地址：

http://127.0.0.1:7860

打开页面不会调用模型、不产生费用；填写提示词并点击「生成图片」后才会发起一次云端请求。

3. 生成与查看结果

在网页里输入提示词、点「生成图片」，几秒后出图：

每次调用会在 outputs/ 下生成两个同名文件：

outputs/flux_日期_时间.png
outputs/flux_日期_时间.json

JSON 记录包含模型、服务商、提示词、参数、耗时和执行结果。

4. API 调用成功记录

调用成功后，终端会打印一行成功日志（[SUCCESS]），同时 outputs/ 里生成同名 .json。一次成功调用的记录如下：

终端日志：

5. 提示词设计思路与修改过程

写实类提示词不能只写"一张什么图"，要从风格锚点、环境光线、主体动作、镜头语言、写实约束五个方面写清楚，模型才会往真实照片而不是插画方向靠。

初始版本（默认提示词）：

A documentary photograph of a quiet university campus after rain,
students walking naturally, wet pavement reflecting soft morning light,
realistic materials and proportions, subtle colors, eye-level view,
35mm lens, natural depth of field

设计思路：

风格锚点：开头用 A documentary photograph（纪实摄影）定调，避免出来插画/CGI 感；
环境与光线：after rain、wet pavement reflecting soft morning light 指定雨后、湿地面反光、晨光，让画面有真实的光线质感；
主体：students walking naturally，强调"自然行走"而不是摆拍；
镜头语言：eye-level view, 35mm lens, natural depth of field 指定平视、35mm 人文焦段、自然景深，接近人眼看到的效果；
写实约束：realistic materials and proportions, subtle colors 压住材质、比例和色彩饱和度。

修改过程：第一版提示词只写了"a photo of a campus"，结果画面平、像素材图；于是按上面五点逐步补上——先加 documentary photograph 锁风格，再加雨后地面反光和晨光，最后补 35mm 镜头和写实约束。负向提示词填 illustration, CGI, distorted hands, blurry，专门挡掉插画感、畸形和模糊。固定 seed=12345，改提示词时其余参数不动，方便前后对比哪句改动带来了变化。

第二个提示词（换场景验证）：

A candid street photograph of an elderly bicycle repairer working
beside a small shop in Fuzhou, late afternoon sunlight,
natural skin texture, authentic tools and environment, 50mm lens

思路一样：candid street photograph 锁街拍纪实，主体+地点（福州小店旁修自行车的老人）、光线（傍晚阳光）、质感（自然皮肤纹理、真实工具环境）、50mm 标准镜头。对比两次结果可以看出：把环境、光线和镜头写具体后，画面明显更像真实照片。

常见问题

提示"没有找到 HF_TOKEN"

确认 .env 和 app.py 在同一目录，并重新启动程序。

返回 401 或 403

报错形如 This authentication method does not have sufficient permissions to call Inference Providers：一是 token 没勾选 Inference Providers 调用权限，二是 fal-ai 是付费服务商，账号要在 HF 的 Billing 里绑好支付方式、有余额；换了带推理权限的 token 后若报 402 Payment Required，就是该充值了。

体验与心得

1.调 AI 其实就是发一次请求。看到 client.text_to_image 把提示词发出去、几秒后拿回一张图，才知道模型已经封装好，带 token 调接口、参数填数值就行。
2. 花时间最多的是 token 和权限。第一次点生成报 403，后来才弄清楚 token 要勾选推理权限、账号要绑支付方式、fal-ai 按次收费。
3. 提示词要自己试。一开始写得很简单，图很普通，逐步加上风格、光线、镜头，再用负向提示词去掉插画感，固定 seed 对比效果。

三.GitHub 个人主页建设

我选择“创建个人资料自述文件”的方案，建立了与 GitHub ID 同名的 baiyi060404/baiyi060404 仓库。

四.技能树与技术偏好

已具备的专业知识与能力

能力 A：C/C++ 编程能力 —— 掌握基本语法、指针、结构体、面向对象编程（C++），能完成课程作业和基础算法实现，是目前主要使用的编程语言。

能力 B：Python 编程与数据处理能力 —— 能使用 Python 进行数据处理、脚本编写，熟悉 PyTorch 深度学习框架；在 FPVA 生物芯片科研项目中用于模型训练、实验复现和结果可视化。比如在项目中实现的动态冲突仲裁逻辑：

def resolve_conflict(cell_queue, arrived_goal):
    """
    动态冲突仲裁：到站优先 + 单格限流
    cell_queue: 当前格子上的液滴列表
    arrived_goal: 各液滴目标位置
    """
    # 到站优先：目标已到达的液滴优先通过
    for droplet in cell_queue:
        if droplet.pos == arrived_goal[droplet.id]:
            return droplet
    # 单格限流：其余情况只放行队首液滴，避免死锁
    return cell_queue[0]

目前欠缺的能力

项目工程化能力不足：没有参与过完整的项目开发，对于许多技术的掌握程度仅停留在理论层面，缺乏从需求分析到测试部署的全流程实践经验。
团队协作经验缺乏：之前的编程实践多为独立完成，没有使用 Git 进行多人协作开发的经验，对代码审查、分支管理等协作流程不够熟悉。
系统级知识薄弱：操作系统和数据库管理本学期刚开课，在并发编程、进程管理、数据持久化等方面知识储备不足。

感兴趣的方向

深度强化学习：特别是将强化学习应用于组合优化、路径规划、资源调度等传统算法难题
本学期正在学习：软件工程、数据库管理、操作系统，希望进一步补全计算机系统层面的知识体系。

代码量现状与目标

目前代码量：约 3000-5000 行，主要来自课程作业、实验练习、FPVA 科研项目中的数据处理脚本和模型训练代码。
本学期目标代码量：希望达到 8000-10000 行，通过团队项目实践，重点提升代码规范性和工程化水平，而非单纯堆砌行数。

最期待学习的知识与收获

软件开发的完整流程：从需求分析、系统设计、编码实现到测试维护，掌握规范化的开发方法，建立对软件生命周期的系统认知。
团队协作与版本管理：学会使用 Git 进行多人协作开发，体验真实的团队分工、分支管理、代码审查与合并流程。
项目管理能力：了解如何规划项目进度、分配任务、控制风险，掌握敏捷开发等现代项目管理方法。
4.代码质量与工程规范：学习编码规范、代码重构、自动化测试等工程实践，培养对代码质量负责的意识。

AI 生成的学习指南及分析

我选择 DeepSeek 作为生成工具

生成结果

软件工程课程学习指南

一、学习目标

理解软件工程的基本概念、核心原则和软件生命周期
掌握需求分析、软件设计、编码实现、软件测试的基本方法
学会使用版本控制工具（Git）进行团队协作开发
能够参与或独立完成一个完整的软件项目

二、核心学习内容

软件工程概述：软件危机、开发模型（瀑布模型、敏捷开发、迭代模型、DevOps）
需求工程：需求获取、需求分析、需求规格说明书（SRS）的编写
软件设计：模块化设计、面向对象设计、UML 建模（用例图、类图、时序图）、架构设计
编码规范：命名规范、注释规范、代码风格统一、代码重构
软件测试：单元测试、集成测试、系统测试、黑盒测试与白盒测试
项目管理：进度规划、任务分配、风险管理、敏捷看板（Kanban/Scrum）
版本控制与协作：Git 分支管理、Pull Request、代码审查（Code Review）
持续集成与部署（CI/CD）：自动化构建、自动化测试、自动化部署的基本流程

三、学习方法建议

理论与实践结合：每学一个知识点，立即通过小项目或练习动手实践
多画图、多写文档：养成用流程图、类图、时序图表达设计思路的习惯
积极参与团队项目：在真实的分工协作中学习沟通、合并代码、解决冲突
善用 AI 工具辅助学习：利用 AI 编程助手提升编码效率，但要保持对生成代码的理解和审查能力
阅读优秀开源项目：学习他人的工程化实践、代码组织方式和项目结构

四、推荐学习资源

《软件工程：实践者的研究方法》—— Roger S. Pressman
《代码整洁之道》—— Robert C. Martin
《人月神话》—— Frederick P. Brooks Jr.
Git 官方文档与 GitHub Learning Lab
各技术社区（GitHub、Stack Overflow、Hugging Face）的开源项目实践

合理性分析

这份指南整体框架合理、实践导向鲜明：知识体系覆盖需求、设计、编码、测试、项目管理、CI/CD 等软件生命周期核心环节，有助于建立全局认知；强调动手实践和团队项目，契合课程的工程属性；也与时俱进地纳入了 AI 工具辅助学习、代码审查等现代实践。但不足在于：现代工具链覆盖不足（仅提及 Git 和 AI，可补充 Docker、Copilot、Jira 等主流工具）；建议偏抽象、缺少落地指引（如入门项目推荐和资源链接）；八个知识模块之间缺乏逻辑串联说明；也缺少前端、后端、测试等角色的差异化能力路径建议。

附加截图

posted @ 2026-09-10 22:14 baiyi060404 阅读(21) 评论(0) 收藏举报

刷新页面返回顶部

baiyi060404