随着我国高等教育进入普及化、经济进入逐优竞争的新阶段,高等教育在当今社会经济发展中的作用日益凸显,高校建设需求迫切。大学校园布局是大学校园方案初期的重要阶段,决定了校园空间组织方式与整体方案的发展方向。近年来人工智能技术蓬勃发展,深度学习技术使人们看到了人工智能模仿人类思考的潜力。随着pix2pix等神经网络模型的提出,深度学习在图像处理方面的能力引起了建筑学领域的注意,并逐渐出现人工智能与建筑设计结合的跨专业研究。本文的研究目的是以大学校园布局为例,探索基于小样本实现建筑布局生成的策略,利用深度学习技术中的pix2pix模型实现建筑布局自动生成设计。经过有效训练,pix2pix模型能够在极短时间内,根据用地条件及周边环境迅速生成符合要求的大学校园布局方案草图,提供候选方案,同时启发建筑师在短时间内进行多样化设计思考。深度学习技术的两个关键组成部分是算法框架与数据。根据技术原理,部分深度学习技术的数据需要进行标注。与老师给学生划出考试重点的过程类似,数据标注是为了帮助计算机高效、准确学习目标知识。然而,与人脸识别这一类任务中标注人脸的“简单标注”不同,建筑布局设计中的数据标注是需要专业知识背景的“复杂标注”。在pix2pix的跨界应用中,算法框架由计算机领域学者建立,而建筑学领域学者的主要工作是基于专业知识提供有效的标注数据。可以说,数据标注方法及内容几乎决定了pix2pix模型最终生成的建筑布局效果。本文工作主要分为三个部分:由于该领域研究尚处于探索阶段,本文第一部分通过对人工智能技术在建筑布局生成领域的研究及文献进行梳理,结合既有实验工作,建立实验理论基础,提出实验难点及初步应对思路。本文的第二部分是以中心环线型布局为例,基于pix2pix的大学校园布局生成实验过程详述。该部分首先明确实验思路,收集大学校园优秀实际案例。其次,基于大学校园布局设计理论进行数据标注规则设计,对数量有限的大学校园实际案例进行人工改绘,建立“少而精”的小样本数据集,解决“有效案例数量少、模型数据需求大”的矛盾。与此同时,通过反复实验进行数据标注规则优化,试图将建筑设计的核心内容——布局方法与规律——更清晰地表达在图像数据中,提供给pix2pix模型进行学习,从而达到预期的布局生成设计效果。本文的第三部分是对整个研究的回顾与探讨。首先对最终实验结果进行定性、定量分析,在此基础上对实验的局限性与不足进行反思;其次对基于小样本实现建筑布局生成的策略进行总结;最后将pix2pix生成布局结果与人类建筑师完成方案进行对比探讨,思考人工智能浪潮下建筑师的挑战与机遇。