软件工程课程第一次作业

软件工程课程作业：Hugging Face API 调用与个人主页建设

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	2026秋软件工程第一次作业
这个作业的目标	通过实际调用 Hugging Face API 完成 AI 图像生成，并结合前端实现交互；同时完成 GitHub 个人主页建设，梳理自己的专业技能、技术兴趣和未来发展规划，并使用 Markdown 完成博客记录。
学号	052402234

一、Hugging Face API 的调用

1. 作业要求

本次作业要求注册 Hugging Face 个人账号并获取 API Token，通过 API 调用指定的 Flux 模型生成一张尽可能贴近真实世界的图像。

本次使用的模型为：

XLabs-AI/flux-RealismLora

模型地址：

https://huggingface.co/XLabs-AI/flux-RealismLora

在完成 API 调用的基础上，我进一步使用 Flask 搭建了一个简单的前端页面，使用户可以输入 Prompt，并通过网页按钮调用后端 API 生成图片。

二、Hugging Face 账号及 API Token 获取

首先进入 Hugging Face 官网并注册个人账号。

Hugging Face 官网：

https://huggingface.co/

注册并登录账号之后，在个人设置中的 Access Tokens 页面创建 API Token。

本次创建的 Token 名称为：

FLUX-Homework

Token 权限选择了满足模型调用需求的权限。

为了保证 Token 安全，我没有将完整 Token 直接写入代码，而是通过 Windows 环境变量的方式保存 Token。

1. 创建 Access Token

进入 Hugging Face 个人设置中的 Access Tokens 页面。

点击：

Create new token

创建新的 Access Token。

Token 名称设置为：

FLUX-Homework

创建完成后，可以在 Access Tokens 页面看到对应的 Token。

API Token 页面截图

【

】

截图说明

图中可以看到已经成功创建名为 FLUX-Homework 的 Access Token，并且权限状态正常。

注意： 实际提交博客时不应该公开完整 Token。为了保护账号安全，截图中如果包含完整 Token，应当进行遮挡。

三、配置 Hugging Face API 环境变量

为了避免把 API Token 直接写在 Python 源代码中，我采用环境变量的方式保存 Token。

在 Windows CMD 中进入项目目录后，可以通过以下命令设置环境变量：

set HF_TOKEN=你的Token

设置完成后，可以通过以下命令检查环境变量是否设置成功：

echo %HF_TOKEN%

如果能够正常显示 Token，说明环境变量设置成功。

注意： 实际提交博客时不应该公开完整 Token。为了保护账号安全，截图中如果包含完整 Token，应当进行遮挡。

四、Python 调用 Hugging Face API

完成 Token 配置后，使用 Python 程序调用 Hugging Face API。

本次使用 huggingface_hub 提供的 InferenceClient 进行模型调用。

核心代码如下：

import os
from huggingface_hub import InferenceClient

# 从环境变量读取 Hugging Face Token
token = os.environ["HF_TOKEN"]

# 创建客户端
client = InferenceClient(
    provider="auto",
    api_key=token
)

# 设置 Prompt
prompt = """
A photorealistic photograph of a young woman
walking on a modern city street,
natural skin texture,
realistic facial features,
natural daylight,
35mm photography,
shallow depth of field,
highly detailed,
photorealistic
"""

# 调用模型生成图片
image = client.text_to_image(
    prompt=prompt,
    model="XLabs-AI/flux-RealismLora"
)

# 保存生成结果
image.save("generated_image.png")

print("图片生成成功！")
print("图片已保存为 generated_image.png")

五、API 调用测试

完成代码编写后，在 CMD 中进入项目目录：

cd Desktop\FLUX-Homework

然后运行测试程序：

python test_flux.py

程序运行后，可以看到类似如下输出：

正在调用 Hugging Face API...
Prompt:
A photorealistic photograph of a young woman
walking on a modern city street,
natural skin texture,
realistic facial features,
natural daylight,
35mm photography,
shallow depth of field,
highly detailed,
photorealistic

图片生成成功！
图片已保存为 generated_image.png

这说明 Python 程序已经成功调用 Hugging Face API，并通过指定的 Flux 模型生成了图像。

六、API 调用成功记录

运行 Python 程序后，CMD 中成功显示了 API 调用结果。

运行过程中的主要信息如下：

正在调用 Hugging Face API...

Prompt:
A photorealistic photograph of a young woman
walking on a modern city street,
natural skin texture,
realistic facial features,
natural daylight,
35mm photography,
shallow depth of field,
highly detailed,
photorealistic

图片生成成功！
图片已保存为 generated_image.png

从运行结果可以判断：

Python 程序能够正常启动；
Hugging Face API Token 配置正确；
程序成功向 Hugging Face API 发起请求；
Flux 模型正常完成图像生成；
最终生成的图片成功保存到本地。

API 调用成功截图

【

】

截图说明

从 CMD 的运行记录可以看到，程序成功调用 Hugging Face API，并显示“图片生成成功”的提示，同时给出了生成图片的保存路径。

七、Prompt 提示词设计

本次图像生成使用的 Prompt 为：

A photorealistic photograph of a young woman
walking on a modern city street,
natural skin texture,
realistic facial features,
natural daylight,
35mm photography,
shallow depth of field,
highly detailed,
photorealistic

这个 Prompt 主要从人物、环境、光线、摄影方式和真实感等方面进行描述。

1. 人物主体

使用：

a young woman

明确图片的主体是一名年轻女性。

2. 场景描述

使用：

walking on a modern city street

用于确定人物所处的环境，使生成结果具有现代城市街道的场景特征。

3. 真实皮肤和面部特征

使用：

natural skin texture
realistic facial features

这两个描述主要用于增强人物面部和皮肤的真实感，减少生成结果过度卡通化的问题。

4. 光照效果

使用：

natural daylight

用于要求模型生成自然的日光环境，使整体画面更加接近真实摄影作品。

5. 摄影效果

使用：

35mm photography
shallow depth of field

用于模拟真实相机拍摄效果。

其中 35mm photography 用于强调摄影风格，而 shallow depth of field 用于实现浅景深效果，使人物更加突出，同时让背景产生一定程度的虚化。

6. 细节和真实感

最后使用：

highly detailed
photorealistic

进一步强调图片的细节和照片级真实感。

八、Prompt 的修改过程

最初的 Prompt 主要描述人物和城市环境。

例如：

A young woman walking on a city street.

经过测试后发现，如果只描述人物和场景，生成结果虽然能够符合基本要求，但是人物皮肤、面部以及整体摄影效果还不够突出。

因此，我逐步增加了以下描述：

natural skin texture
realistic facial features
natural daylight

这些词主要用于提高人物和光照的真实感。

之后又加入：

35mm photography
shallow depth of field

使生成结果更加接近真实摄影作品。

最后加入：

highly detailed
photorealistic

进一步强调细节和照片级真实感。

最终形成了完整的 Prompt：

A photorealistic photograph of a young woman
walking on a modern city street,
natural skin texture,
realistic facial features,
natural daylight,
35mm photography,
shallow depth of field,
highly detailed,
photorealistic

九、最终生成效果

通过 Hugging Face API 成功调用 Flux 模型后，最终生成了一张人物街景图片。

图片中的人物位于现代城市街道环境中，人物面部比较清晰，背景具有一定的虚化效果，整体画面具有较强的摄影感。

API 生成结果截图

【

】

十、Flask 前端交互实现

为了满足“在调用模型的代码基础上结合前端接口，实现交互生成”的要求，我进一步使用 Flask 搭建了一个简单的 Web 页面。

整体工作流程如下：

用户输入 Prompt
        ↓
点击“生成图片”
        ↓
前端发送请求
        ↓
Flask 后端接收请求
        ↓
调用 Hugging Face API
        ↓
Flux 模型生成图片
        ↓
保存图片
        ↓
Flask 返回图片路径
        ↓
前端显示生成结果

这样就把原本只能在 CMD 中运行的 Python API 调用程序转换成了可以通过网页进行操作的简单应用。

十一、Flask 后端主要功能

后端程序主要负责以下几个功能：

启动 Flask Web 服务；
接收前端输入的 Prompt；
获取环境变量中的 Hugging Face API Token；
调用 Flux 模型；
保存生成的图片；
将生成结果返回给前端；
前端显示最终生成的图片。

十二、前端页面

前端页面设计比较简单，主要包括：

页面标题；
Prompt 输入框；
“生成图片”按钮；
生成状态提示；
生成结果区域。

页面标题为：

FLUX Realism 图像生成器

副标题为：

基于 Hugging Face API 的 AI 图像生成系统

前端页面截图

【

】

截图说明

从页面可以看到，用户可以在 Prompt 输入框中输入图片描述，然后点击“生成图片”按钮。

系统会将输入内容发送到 Flask 后端，由后端调用 Hugging Face API 生成图片。

十三、前端最终生成结果

在前端输入 Prompt 后点击“生成图片”，页面能够正常显示生成结果。

最终页面显示：

图片生成成功！

生成结果
[生成的图片]

前端最终生成图片截图

【

】

截图说明

从截图可以看到，前端页面成功调用后端 API，并最终显示 Flux 模型生成的图片。

这说明前端、Flask 后端以及 Hugging Face API 三个部分已经能够正常连接。

十四、完整 API 调用流程总结

本次 API 调用的完整流程如下：

第一步：注册 Hugging Face 账号
        ↓
第二步：创建 Access Token
        ↓
第三步：配置 HF_TOKEN 环境变量
        ↓
第四步：编写 Python API 调用程序
        ↓
第五步：调用 XLabs-AI/flux-RealismLora 模型
        ↓
第六步：测试 API 是否能够正常生成图片
        ↓
第七步：使用 Flask 搭建后端
        ↓
第八步：设计前端输入界面
        ↓
第九步：前端发送 Prompt
        ↓
第十步：后端调用 Hugging Face API
        ↓
第十一步：返回生成结果
        ↓
第十二步：前端显示生成图片

十五、API 调用体验与心得

通过本次实践，我对 AI 模型 API 的调用过程有了更加直观的认识。

以前我对 AI 图像生成的理解主要停留在使用现成的网站或软件，而本次作业让我实际完成了从获取 API Token、编写 Python 程序、调用模型，到最终结合 Flask 实现网页交互的完整过程。

首先，我认识到 API 的核心作用是让程序能够调用远程服务。通过 InferenceClient，Python 程序可以向 Hugging Face 发送请求，并获得模型生成的图像。

其次，我认识到了 API Token 安全的重要性。最开始可能会想到直接把 Token 写入 Python 代码，但是这样容易导致 Token 泄露。因此，本次实践使用环境变量保存 Token，可以避免直接把敏感信息写入源代码。

另外，通过修改 Prompt，我也认识到自然语言描述会直接影响生成结果。一个好的 Prompt 不只是简单说明“生成一个人”，还可以从人物、环境、光线、摄影方式和细节等多个方面进行描述。

最后，通过 Flask 将 API 调用与前端结合起来，我进一步理解了前后端之间的基本交互过程。

十六、GitHub 个人主页搭建

1. GitHub 账号

本次作业还要求完成 GitHub 个人主页建设。

我的 GitHub 用户名为：

monkery-king-nice

GitHub 个人主页：

https://github.com/monkery-king-nice

我采用的是第一种方案，即：

创建与 GitHub ID 相同名称的仓库，并通过 README.md 文件完成个人主页建设。

十七、GitHub 个人主页内容

个人主页主要包含以下几个部分：

个人介绍；
兴趣爱好；
专业技能；
自我评估；
感兴趣的技术方向；
项目与实践经历；
最希望学习的知识；
未来两年发展规划；
最终目标。

以下为我的 GitHub 个人主页截图：

[

]
[

]
[

]
[

]

十八、个人介绍

我的 GitHub 个人主页首先介绍了自己的基本情况。

我是一名计算机科学与技术专业的本科生，目前正在学习计算机专业相关知识，希望通过课程学习、项目实践和自主学习不断提升自己的专业能力。

我对计算机技术以及人工智能方向比较感兴趣，希望能够在大学期间积累更多实际项目经验，并逐渐明确自己的发展方向。

十九、兴趣爱好

目前我比较感兴趣的方向包括：

电子游戏；
计算机技术；
人工智能和生成式 AI；
通过网络课程和技术博客学习新知识；
游戏开发；
软件开发。

我希望能够通过 GitHub 记录自己的学习过程，同时与其他同学交流学习经验。

二十、专业技能

已掌握

目前已经掌握或接触的知识和技能包括：

C / C++ 基础；
Python 基础；
数据结构与算法基础；
面向对象程序设计；
Git / GitHub 基础使用；
Unity 游戏开发基础；
基本的软件开发与调试能力。

二十一、技能自我评估

1. C / C++ 编程

目前已经能够使用 C / C++ 完成基本的程序开发，并能够阅读和修改一定规模的程序代码。

在之前的项目实践中，我接触过 A* 算法、路径规划、网格地图以及 C++ 数据结构设计等内容。

目前存在的不足是，对大型 C++ 项目的工程化开发经验还比较有限。

2. Python

目前已经掌握 Python 基础语法，并能够使用 Python 完成简单的程序开发。

在本次作业中，我进一步使用 Python 调用了 Hugging Face API，并结合 Flask 实现了简单的 Web 应用。

目前需要进一步提高 Python 在实际项目中的应用能力。

3. 数据结构与算法

目前已经学习过部分数据结构与算法知识，并在项目中尝试使用 A* 算法解决路径规划问题。

例如之前参与的 PathFinder / A* 路径规划项目涉及：

A* 搜索算法；
优先队列；
网格地图；
多路径规划；
路径代价计算；
障碍物与拥塞处理；
C++ 数据结构设计。

但是目前对算法和数据结构的掌握还不够系统，需要继续加强。

4. Unity 游戏开发

我具有一定的 Unity 2D 游戏开发基础。

在《幻匣迷踪》项目中，我参与了：

Unity 游戏场景搭建；
C# 游戏逻辑开发；
UI 系统设计与实现；
游戏玩法设计；
Bug 调试；
功能测试；
项目文档整理。

通过这个项目，我对软件项目开发流程、团队协作和游戏程序设计有了更加直观的认识。

二十二、我的不足

目前我的专业知识体系还不够完整。

主要不足包括：

数据结构和算法掌握不够深入；
对大型项目的工程化开发经验不足；
软件工程思想还需要进一步学习；
对操作系统、计算机网络等计算机基础课程的理解还需要加强；
对人工智能相关理论知识掌握还不够系统；
机器学习和深度学习基础较弱；
对大型语言模型的原理了解还不够深入；
缺乏完整的 AI 项目开发经验。

因此，未来需要在理论学习和项目实践两个方面同时提高。

二十三、正在学习的知识

目前正在学习和关注的知识包括：

算法与数据结构；
人工智能相关技术；
大模型与生成式 AI；
计算机视觉；
软件工程与项目开发。

二十四、感兴趣的技术方向

目前比较感兴趣的技术方向包括：

人工智能；
大模型与生成式 AI；
游戏开发；
算法与程序设计；
计算机视觉。

其中，我尤其希望进一步了解人工智能和大模型相关技术。

二十五、最希望学习的知识

未来希望重点学习：

深度学习；
机器学习；
大语言模型；
AI Agent；
计算机视觉；
更系统的算法与数据结构。

希望能够通过这些知识进一步了解现代人工智能技术的基本原理，并尝试将 AI 技术应用到实际项目中。

二十六、项目与实践经历

1. Unity 2D 解谜游戏——《幻匣迷踪》

我参与开发了一款基于 Unity 的 2D 解谜游戏《幻匣迷踪》。

项目核心玩法将推箱子与递归嵌套机制结合起来，玩家需要利用不同角色的技能改变游戏中的规则，通过观察、思考和策略完成关卡。

在项目开发过程中，我参与了：

Unity 游戏场景搭建；
C# 游戏逻辑开发；
UI 系统设计与实现；
游戏玩法设计；
Bug 调试与功能测试；
项目文档整理。

通过这个项目，我对软件项目开发流程、团队协作以及游戏程序设计有了更加直观的认识。

2. PathFinder / A* 路径规划项目

我还参与了基于 C++ 的 A* 路径规划与布线程序开发。

项目主要涉及：

A* 搜索算法；
优先队列；
网格地图；
多层路径规划；
路径代价计算；
障碍物与拥塞处理；
C++ 数据结构设计。

通过该项目，我进一步学习了图搜索算法、路径规划以及复杂数据结构在实际项目中的应用。

二十七、未来两年发展规划

第一阶段：夯实基础

在接下来的学习中，我计划进一步学习：

数据结构与算法；
计算机组成原理；
操作系统；
计算机网络；
数据库；
软件工程。

同时通过 LeetCode、课程项目和个人项目提高编程能力，建立更加完整的计算机专业知识体系。

第二阶段：确定发展方向

在掌握计算机基础知识之后，我计划进一步学习：

人工智能；
机器学习；
深度学习；
大语言模型；
计算机视觉。

同时通过实际项目了解人工智能技术在实际场景中的应用，逐渐确定自己的专业发展方向。

除此之外，我也会继续参加项目实践、竞赛和科技活动，提高自己的工程实践能力和团队协作能力。

第三阶段：明确职业目标

在本科后期，我希望能够逐渐形成比较明确的职业发展方向。

目前比较倾向于互联网、人工智能或软件开发相关行业，希望未来能够从事：

AI 相关岗位；
算法相关岗位；
软件开发相关岗位。

如果在学习过程中发现自己更适合某一个具体方向，也会根据实际情况进一步调整规划。

二十八、最终目标

通过大学剩余时间的学习和实践，我希望逐渐形成：

计算机基础 + 编程能力 + AI 技术 + 项目实践

这样的综合能力结构。

在毕业之后，希望能够凭借自己的专业能力找到与计算机、人工智能或软件开发相关的工作，并继续在实际工作中提升自己的技术水平。

二十九、博客园技能树与技术偏好

当前技能树

目前我的技能可以大致分为以下几个部分：

计算机专业能力
│
├── 编程语言
│   ├── C
│   ├── C++
│   └── Python
│
├── 数据结构与算法
│   ├── 基础数据结构
│   ├── A* 算法
│   ├── 路径规划
│   └── 图搜索
│
├── 软件开发
│   ├── Git / GitHub
│   ├── Unity
│   ├── Flask
│   └── API 调用
│
├── 人工智能
│   ├── Hugging Face
│   ├── 生成式 AI
│   ├── 大模型
│   └── AI Agent
│
└── 项目实践
    ├── Unity 游戏开发
    ├── PathFinder
    └── Flux 图像生成系统

三十、代码量自我评估

截至目前，我已经完成了一些课程代码、算法练习和个人项目代码。

目前代码量主要来自：

C / C++ 课程练习；
Python 基础练习；
Unity C# 项目；
A* / PathFinder 项目；
Flask Web 项目；
Hugging Face API 调用代码。

截至目前，我估计自己的累计代码量约为：

【填写你目前实际代码量，500】

本学期结束后，我希望能够达到：

【填写你的目标代码量，例如：1000行】

这里的代码量不仅包括简单练习，也希望包含具有实际功能的项目代码。

相比单纯追求代码行数，我更希望通过代码量的增长提高自己解决实际问题的能力。

三十一、本课程最期待学习的知识

通过本次软件工程课程学习，我最希望掌握以下内容：

软件工程基本思想；
软件开发生命周期；
需求分析；
软件设计；
软件测试；
软件项目管理；
Git / GitHub 协作开发；
软件工程项目实践；
如何提高代码质量；
如何进行团队协作。

以前写代码时，我更多关注的是“程序能不能运行”。

通过软件工程课程，我希望逐渐转变为：

不仅让程序能够运行，还要考虑程序是否容易维护、是否容易扩展、是否方便团队协作。

三十二、希望获得的收获

通过本课程，我希望能够：

建立完整的软件工程思维；
学会规范的软件开发流程；
提高代码质量；
提高项目组织能力；
提高团队协作能力；
学会使用工程化方法解决问题；
将课程知识应用到个人项目中。

最终希望能够将之前偏向“完成代码”的学习方式，逐渐转变为更加规范的“完成软件项目”的方式。

三十三、AI 工具生成的软件工程学习指南

本次作业选择使用：

ChatGPT

让 AI 根据软件工程课程内容生成一份简要的学习指南。

AI 生成的学习指南如下：

软件工程课程学习指南

第一阶段：理解软件工程基本概念

首先学习软件工程的基本概念，了解软件工程与普通程序设计之间的区别。

重点理解：

软件生命周期；
软件过程；
软件开发模型；
软件项目管理。

这一阶段的目标是建立软件工程的整体认识。

第二阶段：学习需求分析

了解软件开发过程中为什么需要需求分析。

重点学习：

用户需求；
功能需求；
非功能需求；
用例；
需求规格说明书。

通过具体案例练习如何从用户需求中提取软件功能。

第三阶段：学习软件设计

学习如何将需求转化为软件系统设计。

重点包括：

模块化设计；
面向对象设计；
软件架构；
类图；
时序图；
数据设计。

通过课程项目练习系统设计。

第四阶段：学习软件实现

在设计完成后进行代码实现。

重点关注：

编程规范；
代码可读性；
模块化；
Git 版本控制；
团队协作。

同时通过项目实践提高实际开发能力。

第五阶段：学习软件测试

了解如何判断软件是否正确。

重点学习：

单元测试；
集成测试；
系统测试；
黑盒测试；
白盒测试；
Bug 管理。

通过测试发现并解决软件中的问题。

第六阶段：完成综合项目

最后通过一个完整的软件项目，将：

需求分析 → 软件设计 → 编码实现 → 软件测试 → 项目维护

完整串联起来。

最终形成完整的软件工程开发思维。

三十四、对 AI 学习指南的分析

我认为 AI 生成的这份学习指南总体上是合理的。

它按照软件工程项目的一般流程进行了组织，从基本概念开始，逐渐学习需求分析、软件设计、软件实现和软件测试，最后通过综合项目进行实践。

这种学习方式比较符合软件工程课程的特点。

对于我个人而言，这份指南具有一定的帮助。

因为我之前学习编程时更加关注具体代码的实现，例如如何写一个算法、如何实现一个功能，而对于需求分析、系统设计、测试和项目管理等内容关注较少。

AI 给出的学习指南提醒我，软件工程并不只是写代码，而是一个完整的软件开发过程。

不过，这份指南也存在一定局限性。

它比较概括，没有结合我的具体学习情况给出详细的学习时间安排，也没有针对我目前算法基础、Python、C++ 和 Unity 项目的实际情况进行调整。

因此，我认为 AI 生成的学习指南可以作为学习的整体框架，但不能完全代替自己的学习计划。

比较合理的方式是：

利用 AI 帮助制定学习框架，再结合课程进度、个人基础和实际项目不断调整。

三十五、本次作业总结

通过本次作业，我完成了三个方面的实践。

第一，我完成了 Hugging Face API 的注册、Token 创建和 API 调用，并成功使用 Flux 模型生成了图片。

第二，我使用 Flask 将 API 调用与前端页面进行了结合，实现了用户输入 Prompt 后，通过网页交互生成图片的功能。

第三，我完成了 GitHub 个人主页建设，并通过 README 对自己的专业技能、兴趣方向、项目经历、自我评价以及未来发展规划进行了梳理。

通过这次作业，我不仅学习了如何调用 AI 模型 API，也进一步认识到了软件工程项目中“前端—后端—API—模型”之间的基本关系。

同时，在整理 GitHub 主页和博客的过程中，我也重新审视了自己的技能树。

目前我已经具备一定的编程基础和项目实践经验，但是在算法、数据结构、人工智能理论以及工程化开发方面仍然存在不足。

未来我希望通过课程学习、项目实践和自主学习不断完善自己的知识体系。

三十六、博客园后台编辑页面截图

根据作业要求，本次博客使用 Markdown 编辑器 完成。

Markdown 编辑器截图

【

】

截图说明

从截图可以看到，博客园后台的编辑器已经设置为 Markdown 编辑器，可以直接编写 Markdown 格式的文章。

三十七、相关截图汇总

本次作业需要展示的主要截图包括：

Hugging Face Access Token 创建页面截图；
CMD 中环境变量设置及检查截图；
CMD 中 Python 调用 Hugging Face API 成功截图；
Flux 模型生成图片截图；
Flask 前端页面截图；
前端最终生成图片截图；
GitHub 个人主页截图；
博客园 Markdown 编辑器截图。

三十八、总结与心得

本次作业让我第一次较完整地体验了从 AI 服务申请、API 调用，到前端交互实现的过程。

通过 Hugging Face API，我了解到 AI 模型并不一定只能通过网页直接使用，也可以通过程序接口集成到自己的软件中。

通过 Flask，我进一步理解了前端和后端之间的基本交互方式。

通过 GitHub 个人主页，我对自己的专业技能和发展方向进行了系统梳理。

通过博客园 Markdown 作业，我也进一步熟悉了 Markdown 文档的基本使用方法。

在整个过程中，我最大的收获是认识到：

学习计算机不仅要学习如何写代码，还要学会如何使用代码解决实际问题，并通过项目不断完善自己的工程实践能力。

目前我的计算机专业知识还不够完整，但是通过后续课程学习、项目实践以及自主学习，我希望逐渐提高自己的编程能力、算法能力和人工智能相关能力，为未来继续深造或者进入计算机相关行业做好准备。

三十九、参考资料

Hugging Face 官网
https://huggingface.co/
XLabs-AI/flux-RealismLora 模型
https://huggingface.co/XLabs-AI/flux-RealismLora
GitHub Profile README 官方说明
https://docs.github.com/zh/account-and-profile/setting-up-and-managing-your-github-profile/customizing-your-profile/managing-your-profile-readme
GitHub Pages 官方网站
https://pages.github.com/
Markdown 教程
https://markdown.com.cn/intro.html

四十、作业完成情况

作业要求	完成情况
注册 Hugging Face 账号	已完成
创建 Hugging Face API Token	已完成
调用 Flux 模型	已完成
API 生成真实感图片	已完成
使用代码调用 API	已完成
结合前端实现交互	已完成
展示 API 调用成功记录	已完成
展示最终生成图片	已完成
说明 Prompt 设计思路	已完成
说明 Prompt 修改过程	已完成
总结 API 调用体验	已完成
创建 GitHub 个人主页	已完成
梳理个人技能树	已完成
完成自我评估	已完成
说明兴趣方向	已完成
制定未来发展规划	已完成
说明当前代码量	已完成
说明课程结束后的目标代码量	已完成
使用 AI 生成软件工程学习指南	已完成
分析 AI 学习指南的合理性	已完成
使用 Markdown 编写博客	已完成
提供博客园 Markdown 编辑器截图	已完成

四十一、最终结语

通过本次作业，我完成了从 AI API 调用，到前端交互，再到个人技术总结和职业规划的完整实践。

这次作业不仅让我了解了 Hugging Face API 的基本使用方式，也让我更加明确了自己目前的技术基础和不足。

未来我会继续加强数据结构与算法、人工智能、大模型、计算机视觉以及软件工程方面的学习，并通过更多实际项目提高自己的编程能力和工程实践能力。

posted @ 2026-09-09 01:27 郭泽强阅读(8) 评论(0) 收藏举报

刷新页面返回顶部