软件工程综合实践第一次作业
软件工程综合实践作业
发布提示：本文档中的截图均引用自本地路径，博客园发布前请先将图片上传至博客园相册或其他图床，并替换为对应的图片链接。
| 这个作业属于哪个课程 | H202601软件工程与软件工程实践 |
|---|---|
| 这个作业要求在哪里 | 软件工程个人作业（第一次） |
| 这个作业的目标 | 完成 HuggingFace API 调用与交互式图像生成、搭建 GitHub 个人主页、撰写博客园随笔，梳理个人技能树并借助 AI 工具反思学习路径 |
| 学号 | 102401323 |
一、HuggingFace API 调用实践
1. 实现方案概述
- 注册 Hugging Face 账号并获取 API Token；
- 调用图像生成模型
XLabs-AI/flux-RealismLora，根据英文提示词生成贴近真实世界的图像； - 使用 Python Flask 搭建本地后端服务，暴露
POST /api/generate接口转发模型请求； - 编写前端页面实现交互式生成：输入提示词、点击按钮、展示生成结果、错误提示。
整体架构为"本地 Flask 服务 + 浏览器前端"：前端将用户输入的提示词以 JSON 形式 POST 到后端接口，后端携带 API Token 调用 Hugging Face Inference API，成功后返回图片数据并在页面展示。
2. 提示词设计
提示词一（场景与卡通角色验证）
A cute creature with big eyes and red cheeks sitting on a wooden floor in a sunlit cozy room, warm colors, 3D render, depth of field, kawaii style.
提示词二（同场景下的写实人像）
Based on the first prompt's environment (sunlit warm room, wooden floor, soft lighting), generate a highly realistic close-up portrait of a young woman. She has wavy brown hair, captivating blue-green eyes, natural freckles on her nose and cheeks, slightly parted lips showing white teeth. Soft side lighting, cinematic portrait photography, ultra-detailed, 8K resolution, realistic skin texture and pores, bokeh background.
设计思路说明
- 先用风格化（3D render / kawaii style）且要素明确的提示词验证模型对"场景描述 + 光照 + 风格参数"的理解能力，得到一张坐在木地板上、暖色阳光房间中的可爱生物图；
- 第二个提示词显式继承第一张图的环境描述（sunlit warm room、wooden floor、soft lighting），从而在同一场景下切换主体与画风，从卡通玩偶过渡到写实人像，检验模型对"环境一致性 + 写实细节"的控制能力；
- 人像提示词按"发色/瞳色/面部特征/表情/布光/画质"逐层细化，并叠加 cinematic photography、8K、skin texture and pores 等词提升真实感。
修改过程：
V1 骨架：页面只有输入框+按钮+图片容器，无任何 CSS，朴素白底（截图1 即 VS Code 中运行的样子），目标是打通"输入提示词→调用接口→展示图片"最小闭环
V2 修 404：后端只有 /api/generate，没给根路径返回页面，补根路由后页面可访问
V3 修接口失败：前端请求 URL 与推理端点不一致，改回 /api/generate 后链路真实打通
V4 修 500：外网请求遇 SSL 网络中断，配置代理后出图稳定
V5 渲染美化：功能稳定后才升级视觉——深色渐变背景、居中毛玻璃卡片、渐变按钮、加载动画、四种结果状态、响应式布局（截图2），核心接口逻辑不变
3. 运行效果截图
前端交互界面
生成结果一（对应提示词一：生物画像）
生成结果二（对应提示词二：写实人像）
后端服务运行与代码环境
4. 调用体验与心得
提示词的信息量直接决定可控性。想让模型"画出你脑中的图"，就要把关键特征逐项写清楚；描述越含糊，模型越容易自行补全甚至跑偏。"上下文复用"能保持场景一致。第二张图显式继承第一张的环境描述，让不同主体、不同画风的两张图处于同一场景，比重新描述一遍环境更可靠。质量词与风格词是写实度的开关。cinematic、8K、skin texture 等词的加入对 realism 风格强度影响显著，说明模型对摄影/画质术语理解较好。粗略与详细提示词各有用途：探索阶段用粗略词快速发散，定稿阶段用详细词锁定细节，二者结合效率最高。
二、GitHub 个人主页搭建
采用"同名仓库 README 个人主页"方案：创建与 GitHub ID 同名的公共仓库，在 README 中撰写个人介绍页。
主页截图
主页内容说明
- 仓库 ID：
Cgg0024（个人资料同名仓库，公共可见）； - 自我介绍：福州大学计算机专业本科生，研究方向关注 AI Agent和智能驾驶；
- 后续将按作业要求继续补充：个人成果与技能、项目/竞赛/实践经历、自我评估（已掌握能力、感兴趣方向、希望学习内容）、未来三年发展规划（考研/保研/就业方向及理由）等内容，持续丰富主页。
三、博客园随笔
随笔一：软件工程课程个人技能树与技术偏好自评
作为一名计科大三学生，经过前两年的课程学习与项目实践，我已初步构建起自己的技术能力图谱，并对未来发展方向有了相对清晰的认知。现将自我评估梳理如下，以便教师与助教了解我的起点与诉求。
一、已具备的专业知识与能力
- 编程语言基础：系统学习过 C 和 C++，掌握面向对象编程、内存管理与基础数据结构实现，能独立完成规模适中的控制台程序；熟悉 Python 语法生态，熟练使用 NumPy、Pandas 等数据分析库。
- 深度学习框架：日常以 PyTorch 为主要工具，可独立搭建、训练和调优卷积神经网络（CNN），熟练使用 torchvision 进行数据增强，掌握迁移学习、学习率调度、模型保存与加载等常规操作。
- 计算机视觉方向：在图像分类、目标检测和语义分割任务上有较深实践，参与过若干课内竞赛和小型科研项目，能够阅读并复现主流论文（如 ResNet、YOLO 系列）的核心代码。
- 数据库基础：掌握 SQL 语言，熟悉 MySQL 的基本增删改查、多表连接与事务隔离级别，可完成简单的数据库设计。
二、感兴趣的技术方向
- 目前最聚焦的方向是自动驾驶感知与决策，尤其关注多传感器融合（摄像头 + 激光雷达）和端到端驾驶模型。课余会跟踪 CVPR、ICCV 相关论文，并尝试在 Carla 仿真平台上进行简单实验。
- 同时对模型轻量化与部署（如 TensorRT、ONNX）也有浓厚兴趣，认为这是打通学术研究与工业落地的关键环节。
三、当前欠缺的能力
- 工程化代码写作能力：虽能写出可运行的模型脚本，但代码结构松散、缺乏模块化设计，很少编写单元测试和文档注释，对 Git 协作流程不熟练，导致项目可维护性差。
- 系统设计与需求分析能力：缺乏从用户视角拆解功能模块、绘制架构图的训练，面对复杂业务逻辑时往往直接"堆代码"，而非先设计后编码。
- 性能调优与调试能力：遇到显存溢出或训练不收敛时，排查手段有限，缺乏系统性 profiling 经验。
四、代码量现状与目标
截至本学期，我累计完成的可用代码（含课程作业、竞赛脚本和自用小工具）约 5000 行。经过本课程的系统训练——涵盖需求分析、模块划分、迭代开发与测试维护——我希望将代码量提升至 8000 行以上，且更注重每一行代码的质量而非单纯数量。
五、对本课程的期待
我最期待学习软件工程全流程实践，尤其是敏捷开发模式下的需求变更管理、UML 建模与设计模式的实际应用。希望从"个人炼丹"的思维转向团队协作的工程思维，学会撰写规范的需求文档、设计文档和测试用例，掌握代码审查与版本控制的最佳实践。最终收获不仅是能写出可运行的软件，更是能够交付一个结构清晰、可扩展、易维护的完整项目，为日后从事自动驾驶系统研发打下坚实的工程基石。
以上即为我当前的技术画像与成长诉求，我将以开放心态投入课程，也恳请教师和助教多予指正。
随笔二：AI 工具生成学习指南分析
我选择DeepSeek生成一份"软件工程课程学习指南"，先将其核心建议整理如下：
一、课程定位
本课程立足软件系统整体，讲授分析、设计、测试及维护的理论方法，培养从“会写代码”到“能系统性开发高质量软件”的工程化思维。
二、核心内容
软件过程（瀑布、敏捷等模型）
需求获取与用例建模
面向对象分析与UML（类图、时序图等）
软件设计、体系结构与设计模式
测试策略与质量保证
项目管理与软件维护
三、学习方法
实践驱动：以一个贯穿项目（如选课系统）同步实践各阶段知识，避免空谈理论。
重视文档：认真撰写需求、设计、测试等文档，养成工程化规范习惯。
善用工具：主动学习Git、项目管理平台（如Jira）及代码审查工具，适应团队协作。
先宏观后细节：用思维导图梳理知识模块间的逻辑关系，建立整体框架后再深入细节。
四、学习目标
掌握软件工程基本概念与开发流程
能运用UML进行系统分析与设计
能按规范完成需求、设计及测试文档
理解项目管理与团队协作要点
具备从编码者向软件工程师转变的系统思维
五、对不同背景同学的建议
算法/AI方向：重点补足需求分析、系统设计和测试方法，弥补工程短板。
后端/全栈方向：侧重架构设计与项目管理，贴近实际工作场景。
零基础起步：紧跟课程节奏，认真完成每次实践，重在理解方法与流程。
以下是结合自身情况对这份指南的分析。
一、合理性分析（哪里"对"了）
- 框架正确：指南中的瀑布/敏捷模型、UML、测试、文档规范，是任何大型软件项目（包括自动驾驶系统）都必须遵循的基本法。
- 痛点匹配：它强调"重视文档"和"善用 Git"，这恰好击中了我"代码结构松散、缺乏协作流程"的软肋，方向是对的。
- 分类建议中肯：给"算法/AI 方向"建议"补足系统设计"，这个判断非常准确。
二、对我的实用价值分析（哪里"不够"或"错位"）
能帮到我的地方：
- 强迫我摆脱"笔记本脚本"思维。指南要求"贯穿项目实践"，那么需求分析会逼着我去思考"输入是什么格式？异常如何处理？"，这能根治"写完模型就扔"的坏习惯。
- 测试策略可迁移。软件工程中的单元测试和集成测试思想，完全可以迁移到模型推理验证上，帮助学会"模块化排查"。
对我不利或借鉴意义有限的地方：
- 背景严重"偏业务系统"。指南默认项目是"选课系统、博客平台"（增删改查）。但自动驾驶是实时物理交互系统，更看重状态机设计、数据管道（Data Pipeline）编排、时间同步。如果硬套指南里的 UML 类图去画网络层，会觉得很别扭，对科研直接帮助不大。
- "8000 行"目标与指南脱节。8000 行在 CV 炼丹里是合适的，但在软件工程大作业里（通常是一个完整系统），8000 行可能只是后端一个模块的代码量。指南没有提醒我"工程代码量必须远超练手代码量"，容易让我低估课程的劳动强度。
- 缺失"数据版本管理"与"实验追踪"。真正的工程痛点其实是数据集的版本管理（DVC）、训练实验的日志记录（MLflow）。传统 SE 指南不涉及这些，但这对我来说才是真正的"工程化"。
附：作业提交截图
浙公网安备 33010602011771号