逼自己两周刷完 AI大模型(白嫖)
LLM大模型自用资料，以及学习路线整理
整理了我入门大模型的学习路线和自用资料，在全民LLM时期，多输入一些就多一重安全感。建议先对LLM全貌有了解，然后自顶向下去学习。前置知识是nlp基础如transformer，这篇聚焦LLM的学习框架👉🏻
1️⃣ 预训练
🔅模型结构：decoder-only和encoder-decoder模型结构分别适用于什么场景，以及在训练中如何构造数据。建议直接从llama开始，开源社区氛围好。
🔅Scaling Law：用于估算现有资源可以训练多少B模型，以及当前模型的适用数据量。
🔅FlashAttention：了解原理-加速attention，避免多次和显存之间交互耗时。
🔅位置编码RoPE：通过旋转矩阵，实现对长文本的位置编码。
🔅训练框架：deepspeed等模型并行框架
2️⃣ SFT
🔅数据集选择：C-Eval是常用的中文bencmark，MAmmoTH是英文数学应用题
🔅数据配比和质量：LLM时常发生过拟合现象（比如你训练了一个客服问答模型，不管输入什么，它都会输出客服礼貌的语句），因此不能只是用目标任务数据集，需要稍全，同时少量高质量远好于大量含噪声数据。可以参考论文：LIMA: Less is More。
🔅全参数、Lora、p-tuning v2等方法的区别：lora等peft方法是为了在消费级显卡上也能训练、并节约训练时间而产生的，7B模型lora微调在一张v100上也能跑起来。
🔅Loss计算：为了最大化response的影响，一般输入的prompt不计算loss，在这个过程中涉及到mask机制。
3️⃣ RLHF
🔅PPO和DPO算法等
4️⃣ 应用层
🔅RAG：传统搜推的准确搜索能力，为大模型补充领域知识或及时信息。最终模型回答的准确性还是与LLM强相关，召回个人觉得类似于锦上添花，但在一个呆逼LLM上无法起死回生。
🔅Agent：在LLM基础上通过工程方法串联执行器，按照观察->思考->执行的方式，与LLM进行交互
🔅MOE：混合专家模型，多任务能力强
5️⃣ 量化
🔅vLLM，GPT-Q等，通过降低参数精度（fp16 -> int 8 -> int 4）提升推理性能。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈
