软工第一次作业

软件工程实践第一次作业

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	软件工程实践第一次作业要求
这个作业的目标	完成开发环境与个人主页搭建：注册 GitHub 与博客园账号并加入班级；调用 Hugging Face 的 Flux 模型（XLabs-AI/flux-RealismLora）生成贴近真实世界的图像，并结合前端实现交互生成；梳理个人技能树与三年规划
学号	102401512

一、准备工作

1.1 GitHub 账号

在 GitHub 官网注册账号，并完善头像、个人简介等各项信息。
我的 GitHub 主页：https://github.com/ren3717

1.2 博客园账号

注册博客园账号，设置昵称（实名制）、头像等个人信息，并选择博客皮肤样式（LessIsMore）。
已关注任课老师黄兆武、助教李怡涵与焦圣蒙的博客。
已加入班级博客 H202601软件工程与软件工程实践，并在班级成员列表中确认实名加入成功。

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

2.1 任务描述

在 Hugging Face 注册账号并获取 API，调用 Flux 模型（模型地址：XLabs-AI/flux-RealismLora）生成一张最贴近真实世界的图像，在调用模型的代码基础上结合前端接口，实现交互生成。

2.2 技术方案

flux-RealismLora 是一个 LoRA 微调模型，不能单独运行，必须挂载在基础模型上使用。最初方案是调用 HF 官方推理 API 的基础模型 black-forest-labs/FLUX.1-dev，通过请求参数 "adapter": "XLabs-AI/flux-RealismLora" 挂载 LoRA。但联调中发现 hf-inference 已于 2026 年弃用 FLUX.1 系列（返回 HTTP 410 deprecated），最终改用 Hugging Face Space 上社区部署的 flux-RealismLora 应用（Gradio API）——模型仍是作业指定的 XLabs-AI/flux-RealismLora，运行在 HF 的 ZeroGPU 上。

主用 Space：DamarJati/FLUX.1-RealismLora（接口 /run_lora）
备用 Space：prithivMLmods/FLUX-REALISM（接口 /run，模型选项 flux.1-dev-realism）

2.3 操作步骤

在 https://huggingface.co 注册账号并登录
右上角头像 → Settings → Access Tokens → Create new token（类型选 Fine-grained，勾选 Make calls to Inference Providers 与 Read access to public gated repos）→ 复制 hf_ 开头的 token

📷 截图 5：Access Token 创建页面（token 已打码）
打开 https://huggingface.co/black-forest-labs/FLUX.1-dev 点击 Agree and access repository 接受许可
将 token 填入后端代码 app.py 的 HF_TOKEN 变量
pip install -r requirements.txt 安装依赖后运行 python app.py
浏览器打开 http://127.0.0.1:5000 ，输入提示词、调整参数、点击「生成图像」
首次调用需等待 ZeroGPU 排队（约 10~60 秒），生成结果展示在右侧并可下载

2.4 核心代码

后端 Flask 调用 HF Space Gradio API（app.py 关键片段）：

from gradio_client import Client

# 带 HF token 认证连接 Space（匿名 ZeroGPU 配额很少）
client = Client("DamarJati/FLUX.1-RealismLora", token=HF_TOKEN)

# 调用 /run_lora 接口：prompt, cfg_scale, steps, randomize_seed, seed, width, height, lora_scale
result = client.predict(
    prompt,
    3.5,        # cfg_scale：引导系数
    28,         # steps：采样步数
    True,       # randomize_seed：随机种子
    0,          # seed
    1024, 1024, # width, height
    1.0,        # lora_scale：LoRA 强度
    api_name="/run_lora",
)
img_path, used_seed = result[0], result[1]  # 图片路径 + 实际使用的种子

前端 templates/index.html 通过 fetch("/generate") 提交提示词与参数，实时展示生成结果，并用 localStorage 持久化「API 调用记录」面板（时间、提示词、HTTP 状态码、耗时、结果）。

2.5 API 调用成功的记录

实测成功调用记录（2026-09-08）：

字段	值
目标服务	https://DamarJati/FLUX.1-RealismLora.hf.space（HF Space Gradio API）
接口	/run_lora
模型	XLabs-AI/flux-RealismLora（Space 内置加载）
图片尺寸	1024 × 1024
采样步数	28
引导系数	3.5
HTTP 状态码	200
耗时	37.62 s
实际随机种子	498756648
保存文件	static/generated/20260908_225738_632994.webp

📷 截图 7：前端页面生成成功的完整截图（含结果图与「API 调用记录」面板）

📷 截图 8：「API 调用记录」面板特写

2.6 提示词设计思路与修改过程

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

以「老者人像」为例的迭代过程：

版本	提示词	效果与问题
初版	`a realistic photo of an old man`	画面笼统，皮肤有"塑料感"，背景杂乱
第二版	`portrait of an elderly Chinese fisherman, wrinkled skin, silver beard`	主体特征明确，但光线平淡像随手拍
最终版	`ultra realistic close-up portrait of an elderly Chinese fisherman, deeply wrinkled weathered skin, silver beard, warm golden hour side lighting, shot on Canon EOS R5, 85mm lens, f/1.8, shallow depth of field, film grain, photorealistic, 8k`	黄昏侧光塑造立体感，85mm f/1.8 大光圈虚化背景，film grain 与 photorealistic/8k 强化真实质感

设计心得：

主体描述越具体越好（"fisherman"比"old man"能联想出更多真实细节）
镜头参数是"真实感密码"（85mm lens, f/1.8, shallow depth of field）
光线决定氛围（golden hour side lighting 比"光线充足"更接近真实摄影）
质感词收尾（film grain, photorealistic, 8k）
群体场景容易失真：生成「大学阶梯教室」场景时，将"二十名左右大学生"改为 a class of university students，并用 no anime, no cartoon, no plastic skin 显式排除二次元风格

📷 截图 9：最终生成图像（贴近真实世界的一张）特写截图

2.7 排障记录

本次调用共排除了 6 个问题（详见下表），完整过程记录在项目作业报告.md：

#	问题	根因	解决
1	SSL 连接被重置	旧域名 `api-inference.huggingface.co` 被 DNS 污染（解析到 Facebook IP 段）	改用 `router.huggingface.co` 新域名
2	Python 直连失败、浏览器正常	requests 不读 Windows 系统代理	代码自动探测注册表系统代理
3	HTTP 403	未接受 FLUX.1-dev gated 许可	通过 ask-access 接口完成许可接受
4	HTTP 403 权限不足	Fine-grained token 未勾选推理权限	token 设置中勾选 Make calls to Inference Providers
5	HTTP 410	hf-inference 弃用 FLUX.1 系列	改用 HF Space Gradio API
6	接口不统一 / ZeroGPU 配额	两个 Space 接口差异大；匿名配额耗尽	每个 Space 独立适配函数；带 token 认证

2.8 体验与心得

API 调用门槛低：HF 把复杂模型封装成 HTTP 接口，几十行代码即可调用最先进的生成模型，无需本地 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；"主体+光线+镜头参数+质感词"的组合对真实感提升显著。
API 方案要随平台演进调整：hf-inference 弃用 FLUX.1 是题面没有预料到的情况，最终通过 Space 的 Gradio API 达成同样目标——调用第三方 API 时，平台服务状态本身就是变量，有备选路径的方案（本项目双 Space 容灾）很重要。
排障方法论比单个知识点更有价值：六个问题覆盖网络层（DNS/代理）、认证层（token）、授权层（许可/权限）、服务层（模型弃用），"逐层验证、对比实验、读错误信息"的方法论在任何 API 联调中通用。
Token 安全：Bearer Token 是唯一凭证，必须保管好，截图打码、不提交公开仓库。

三、GitHub 个人主页建设

我采用方案一（个人资料自述文件）：新建一个与 GitHub ID 同名的仓库，在仓库根目录 README.md 中撰写个人介绍。GitHub 会自动在个人主页展示该 README。

README 内容包括：自我介绍（兴趣爱好、想分享的经历）、个人成果与技能评估、未来三年发展规划。完整内容如下（该内容已整理为单独的 README.md 文件并上传至 GitHub 仓库）：

# 👋 Hello, I'm 任奥辉

福州大学计算机与大数据学院 2024 级计算机科学与技术专业本科生。
对软件工程、Web 开发与人工智能应用充满热情。

## 🎯 关于我
- 兴趣爱好：游戏、足球、科幻小说；喜欢把学到的东西做成小工具分享给同学
- 想分享的经历：大二暑期参加了学校组织的企业实训，第一次完整经历
  "需求 → 开发 → 测试 → 上线"的流程，深刻体会到团队协作与版本管理的重要性

## 🛠 技能与成果
- 编程语言：C/C++、Java、Python（熟悉）
- 课程项目：学生信息管理系统（C++/Qt）、简单聊天室（Java Socket）、
  基于 Flask 的 AI 图像生成 Web 应用（本次软工实践）
- 工具链：Git/GitHub、VS Code、Linux 基础操作、MySQL 基本使用
- 自我评估：已掌握数据结构与算法、面向对象编程、数据库基本原理；
  对 AI 应用开发与前后端协作最感兴趣；最希望学习软件架构设计、
  自动化测试与工程化开发流程

## 🗺 未来三年规划
- 大三（本学期）：系统学习软件工程方法学，完成课程项目，
  积累代码量到 2 万行以上
- 大三下~大四：争取进入互联网企业实习，在真实项目里锻炼工程能力；
  大四秋招拿到心仪 offer
- 毕业后第一年：在工作中持续学习架构与工程化，成为能独立负责模块的工程师

四、技能树梳理与自我评估

已具备的专业知识与能力

能力 A：程序设计基础。熟练使用 C/C++ 与 Python，Java 可阅读与编写中等规模程序；数据结构与算法课程成绩良好，掌握常见数据结构与基本算法思想，具备 LeetCode 中等题目的解题能力。
能力 B：面向对象与数据库。理解封装、继承、多态，完成过 Qt 桌面应用课程设计；掌握 SQL 基本语法与 ER 图设计，能独立完成小型业务系统的表结构设计。
能力 C：Web 开发入门。了解 HTTP 协议与前后端交互流程，会用 Flask 搭建带接口的 Web 应用，能编写 HTML/CSS/JavaScript 页面（本次 HF 图像生成作业即为一次完整实践）。
能力 D：开发工具链。使用 Git/GitHub 进行版本管理（commit、分支、PR），VS Code 高效编码，Linux 基本命令与服务器环境配置。

感兴趣的技术方向

AI 应用开发、Web 全栈、软件工程方法学（需求分析、设计模式、测试）。

尚欠缺的能力

工程化能力：大型项目的模块划分、架构设计经验不足，没接触过 CI/CD、容器化部署
代码质量意识：单元测试、代码评审参与少，代码规范性有待加强
算法深度：动态规划、图论等高级算法不熟练，竞赛/笔试压力大
英语阅读：阅读英文技术文档速度慢，依赖翻译工具

五、代码量统计与目标

截至目前代码量：约 5000行（主要来源：C/C++ 课程与数据结构作业约 2000 行、Java/数据库课设约 1000 行、Python 脚本与本次软工作业约 1000 行、其他课程小项目约 1000 行）。
本学期课程结束目标：1.5 万行以上。通过软工实践大项目（预计 5000+ 行）与日常刷题、工具脚本积累达成。

六、本课程最期待学习的知识与收获

最期待：软件需求分析方法（如何把模糊的用户想法变成可验收的规格说明）、团队协作流程（Git 协作规范、任务分工与进度管理）、测试与质量保障（单元测试、代码评审的实战）
希望获得的收获：完整经历一次"从需求到上线"的团队项目开发；建立工程化思维——代码不仅要"能跑"，更要"可维护、可协作、可交付"；提升文档撰写与表达汇报能力

七、AI 工具生成的软件工程学习指南及其分析

我使用 DeepSeek 生成了一份软件工程课程学习指南，原文如下：

软件工程课程学习指南（DeepSeek 生成）

理解软件生命周期：从需求分析、设计、编码、测试到维护，掌握每个阶段的核心活动与交付物。

掌握需求工程：学会用例图、用户故事等需求表达工具，多练习把口头需求转成可验证的规格。

重视设计模式与架构：掌握常用设计模式（工厂、观察者、单例等），了解 MVC、微服务等架构风格。

实践版本控制与协作：熟练使用 Git（分支策略、冲突解决），在团队中实践 PR 评审流程。

动手做项目，而不是只看书：软件工程是实践学科，建议以小组项目为主线贯穿学习。

学习测试与质量保障：单元测试、集成测试、代码覆盖率的基本概念与实践。

定期复盘与文档化：每个阶段写文档并复盘，训练表达与总结能力。

分析：这份指南整体合理。它抓住了软件工程的核心——生命周期、需求、设计、测试、协作，且强调"动手做项目"与"定期复盘"，与本课程的实践导向一致。对我有帮助的部分是第 2、5 条：我此前写代码习惯"边写边想需求"，导致返工；按需求工程的方法先固定规格再开发，能明显减少无效劳动。不足的是：指南偏向宏观原则，缺少可执行的具体计划（如每周做什么、读什么书），第 4 条对 Git 协作的细节（如冲突处理场景）展开不够，需要我结合课程进度自行细化。

八、作业编写说明

本随笔使用 Markdown 编辑器 编写（博客园「设置 → 编辑器」切换为 Markdown）。
作业开头已按课程要求附上「课程信息表格」。

📷 截图 11：博客园后台博文编辑页面截图（证明使用 Markdown 编辑器）

posted @ 2026-09-09 15:04 ren3717 阅读(29) 评论(0) 收藏举报

刷新页面返回顶部