既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
目录
- 大模型(LLMs)基础面
-
-
- 目前 主流的开源模型体系 有哪些?
-
- prefix LM 和 causal LM 区别是什么?
-
- 涌现能力是啥原因?
-
- 大模型LLM的架构介绍?
-
- 大模型(LLMs)进阶面
-
-
- llama 输入句子长度理论上可以无限长吗?
-
- 什么是 LLMs 复读机问题?
-
- 为什么会出现 LLMs 复读机问题?
-
- 如何缓解 LLMs 复读机问题?
-
- LLMs 复读机问题
-
- llama 系列问题
-
- 什么情况用Bert模型,什么情况用LLaMA、ChatGLM类大模型,咋选?
-
- 各个专业领域是否需要各自的大模型来服务?
-
- 如何让大模型处理更长的文本?
-
- 大模型(LLMs)微调面
-
-
- 如果想要在某个模型基础上做全参数微调,究竟需要多少显存?
-
- 为什么SFT之后感觉LLM傻了?
-
- SFT 指令微调数据 如何构建?
-
- 领域模型Continue PreTrain 数据选取?
-
- 领域数据训练后,通用能力往往会有所下降,如何缓解模型遗忘通用能力?
-
- 领域模型Continue PreTrain ,如何 让模型在预训练过程中就学习到更多的知识?
-
- 进行SFT操作的时候,基座模型选用Chat还是Base?
-
- 领域模型微调 指令&数据输入格式 要求?
-
- 领域模型微调 领域评测集 构建?
-
- 领域模型词表扩增是不是有必要的?
-
- 如何训练自己的大模型?
-
- 训练中文大模型有啥经验?
-
- 指令微调的好处?
-
- 预训练和微调哪个阶段注入知识的?
-
- 想让模型学习某个领域或行业的知识,是应该预训练还是应该微调?
-
- 多轮对话任务如何微调模型?
-
- 微调后的模型出现能力劣化,灾难性遗忘是怎么回事?
-
- 微调模型需要多大显存?
-
- 大模型LLM进行SFT操作的时候在学习什么?
-
- 预训练和SFT操作有什么不同
-
- 样本量规模增大,训练出现OOM错
-
- 大模型LLM进行SFT 如何对样本进行优化?
-
- 模型参数迭代实验
-
- 大模型(LLMs)langchain面
-
-
- 基于LLM+向量库的文档对话 基础面
-
- 基于LLM+向量库的文档对话 优化面
-
- 基于LLM+向量库的文档对话 工程示例面
-
- LLMs 存在模型幻觉问题,请问如何处理?
-
- 基于LLM+向量库的文档对话 思路是怎么样?
-
- 基于LLM+向量库的文档对话 核心技术是什么?
-
- 基于LLM+向量库的文档对话 prompt 模板 如何构建?
-
- 痛点1:文档切分粒度不好把控,既担心噪声太多又担心语义信息丢失
-
- 痛点2:在基于垂直领域 表现不佳
-
- 痛点3:langchain 内置 问答分句效果不佳问题
-
- 痛点4:如何 尽可能召回与query相关的Document 问题
-
- 痛点5:如何让LLM基于query和context得到高质量的response
-
- 避坑记录
-
- 本地知识库问答系统(Langchain-chatGLM)
-
- 什么是 LangChain?
-
- LangChain 包含哪些 核心概念?
-
- 什么是 LangChain Agent?
-
- 如何使用 LangChain ?
-
- LangChain 支持哪些功能?
-
- 什么是 LangChain model?
-
- LangChain 包含哪些特点?
-
- LangChain 如何使用?
-
- LangChain 存在哪些问题及方法方案?
-
- LangChain 替代方案?
-
- LangChain 中 Components and Chains 是什么?
-
- LangChain 中 Prompt Templates and Values 是什么?
-
- LangChain 中 Example Selectors 是什么?
-
- LangChain 中 Output Parsers 是什么?
-
- LangChain 中 Indexes and Retrievers 是什么?
-
- LangChain 中 Chat Message History 是什么?
-
- LangChain 中 Agents and Toolkits 是什么?
-
- LangChain 如何调用 LLMs 生成回复?
-
- LangChain 如何修改 提示模板?
-
- LangChain 如何链接多个组件处理一个特定的下游任务?
-
- LangChain 如何Embedding & vector store?
-
- LangChain 低效的令牌使用问题
-
- LangChain 文档的问题
-
- LangChain 太多概念容易混淆,过多的“辅助”函数问题
-
- LangChain 行为不一致并且隐藏细节问题
-
- LangChain 缺乏标准的可互操作数据类型问题
- 大模型(LLMs)langchain 面
- 基于LLM+向量库的文档对话 经验面
-
- 大模型(LLMs)参数高效微调(PEFT) 面
-
- 一、LoRA篇
- 二、QLoRA篇
- 三、AdaLoRA篇
- 四、LoRA权重是否可以合入原模型?
- 五、ChatGLM-6B LoRA后的权重多大?
- 六、LoRA 微调优点是什么?
- 七、LoRA微调方法为啥能加速训练?
- 八、如何在已有LoRA模型上继续训练?
- 1.1 什么是 LoRA?
- 1.2 LoRA 的思路是什么?
- 1.3 LoRA 的特点是什么?
- 2.1 QLoRA 的思路是怎么样的?
- 2.2 QLoRA 的特点是什么?
- 3.1 AdaLoRA 的思路是怎么样的?
- 一、为什么需要 提示学习(Prompting)?
- 二、什么是 提示学习(Prompting)?
- 三、提示学习(Prompting) 有什么优点?
- 四、提示学习(Prompting)有哪些方法,能不能稍微介绍一下它们间?
- 4.4.1 为什么需要 P-tuning v2?
- 4.4.2 P-tuning v2 思路是什么?
- 4.4.3 P-tuning v2 优点是什么?
- 4.4.4 P-tuning v2 缺点是什么?
- 4.3.1 为什么需要 P-tuning?
- 4.3.2 P-tuning 思路是什么?
- 4.3.3 P-tuning 优点是什么?
- 4.3.4 P-tuning 缺点是什么?
- 4.2.1 为什么需要 指示微调(Prompt-tuning)?
- 4.2.2 指示微调(Prompt-tuning)思路是什么?
- 4.2.3 指示微调(Prompt-tuning)优点是什么?
- 4.2.4 指示微调(Prompt-tuning)缺点是什么?
- 4.2.5 指示微调(Prompt-tuning)与 Prefix-tuning 区别 是什么?
- 4.2.6 指示微调(Prompt-tuning)与 fine-tuning 区别 是什么?
- 4.1.1 为什么需要 前缀微调(Prefix-tuning)?
- 4.1.2 前缀微调(Prefix-tuning)思路是什么?
- 4.1.3 前缀微调(Prefix-tuning)的优点是什么?
- 4.1.4 前缀微调(Prefix-tuning)的缺点是什么?
- 4.1 前缀微调(Prefix-tuning)篇
- 4.2 指示微调(Prompt-tuning)篇
- 4.3 P-tuning 篇
- 4.4 P-tuning v2 篇
- 一、为什么 需要 适配器微调(Adapter-tuning)?
- 二、适配器微调(Adapter-tuning)思路?
- 三、 适配器微调(Adapter-tuning)特点是什么?
- 四、AdapterFusion 思路 是什么?
- 五、AdapterDrop 思路 是什么?
- 六、AdapterDrop 特点 是什么?
- 七、MAM Adapter 思路 是什么?
- 八、MAM Adapter 特点 是什么?
- 微调方法是啥?如何微调?
- 为什么需要 PEFT?
- 介绍一下 PEFT?
- PEFT 有什么优点?
- 一、LoRA篇
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
涵盖了95%以上大数据知识点,真正体系化!**
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新