一文讲明白初学者怎么入门大语言模型（LLM）？

关于如何入门LLM，大多数回答都提到了调用API、训练微调和应用。但是大模型更新迭代太快，这个月发布的大模型打榜成功，仅仅过了一个月就被其他模型超越。训练微调也已经不是难事，有大量开源的微调框架（llamafactory、firefly等），你只要懂部署，配置几个参数就能启动训练。甚至现在有大量云上项目，你根本不需要部署，直接上传数据，就能启动。

这我让想起来之前的算法工程师都被调侃成调参师，新出一个大模型，下载下来跑一遍，运行一遍AutoTokenizer.from_pretrained(model_path)，对于自己理解和入门大模型没有任何意义。

对于初学者如何入门，我的建议是从一个开源大模型入手，全面了解它的运行原理以及如何应用。可以将大模型比作一辆车，我开车无需理解车是如何做的，但是车出问题了，了解原理能够帮我们快速找到其中的问题。

为了更好入门大模型，我建议按照以下顺序学习，分为编程基础准备、大模型原理理解和大模型应用三个部分。

一、编程基础准备

1.熟练Python编程语言

我一般使用numpy用于数据处理，matplotlib**用于画图分析（比如分析位置编码、注意力矩阵）,numpy很多函数与pytorch类似放后面讲，这里主要讲常用的matplotlib画图函数，学好matplotlib库有利于我们以可视化的角度去理解一些大模型原理。

• plt.bar(x,y,width)

举个例子，画直方图分析llama3 8B中参数分布情况，可以发现有2个峰值，分别是embedding层和最后输出logits层，两者参数量一致。

• plt.plot(x,y,width)

举个例子，画点图分析llama3 8B中的位置编码RoPE。在同一位置m下，可以发现向量中的元素，在i比较小的时候变化较快，i较大的时候变化较慢。

• plt.colorbar(x,y)

举个例子，画热力图分析llama3 8B中的Attenion矩阵。我的intput为“The boy didn’t cross the street because he was too ”，要预测下一个词。观察第10行（分析注意力矩阵都是以行为单位）可以发现"he"这个toke与"boy"这个token关联度很高，而不是“street”这个token。

所以说画图很重要，深度学习本质上都是矩阵运算，单看数字看不出什么结论，需要结合画图等可视化工具分析。

2.熟悉pytorch等深度学习框架

目前主流大模型基本上都是用pytorch写的，pytorch语法太多了，下面介绍在LLM中常用的pytorch语法（排序不分先后）

(1).torch.nn.Embedding(num_embeddings, embedding_dim...)

其中num_embeddings代表词表的大小，embedding_dim代表词向量的维度。embedding.weight的size为[num_embeddings，embedding_dim]。举个例子，输入索引i，输出embedding.weight 的第 i 行。

(2).torch.matmul(x,y) 、 x*y 、 torch.dot(x,y) 与 torch.mul(x,y)之间的区别

其中torch.matmul(x,y)代表矩阵相乘，torch.mul(x,y)与x*y均代表矩阵对应元素相乘， torch.dot(x,y)代表向量之间的点积。

(3).torch.full(size, fill_value)

torch.full([2,3],2.0)
#tensor([[2,2,2],
         [2,2,2]])

(4).torch.triu(x)

import torch
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = torch.triu(a)
print(b)

# tensor([[1, 2, 3], 
          [0, 5, 6], 
          [0, 0, 9]])

用于注意力机制中的mask计算

(5). torch.outer(x,y)

x = torch.arange(1,5)
y = torch.arange(1,4)
print(torch.outer(x,y))
# tensor([[ 1,  2,  3],
        [ 2,  4,  6],
        [ 3,  6,  9],
        [ 4,  8, 12]])

一般用于大模型位置编码计算中，比如正弦余弦位置编码、相对位置编码、 旋转位置编码等。

(6). torch.view_as_complex(x)

x=torch.randn(4, 2)
# tensor([[ 0.0024,  1.5686],
          [-1.2883,  1.0111],
          [ 0.8764,  0.1839],
          [ 0.8543, -0.0061]])
torch.view_as_complex(x)
# tensor([0.0024+1.5686j, -1.2883+1.0111j,  0.8764+0.1839j,  0.8543-0.0061j])

大模型位置编码有两种计算方法，一种是在实数域**计算、一种是复数域计算。该函数一般用于复数域计算。

(7). torch.view_as``_real(x)

x= torch.tensor([ 0.0024+1.5686j, -1.2883+1.0111j,  0.8764+0.1839j,  0.8543-0.0061j])
torch.view_as_real(x)
# tensor([[ 0.0024,  1.5686],
        [-1.2883,  1.0111],
        [ 0.8764,  0.1839],
        [ 0.8543, -0.0061]])

同上

(8). 弄清楚torch.reshape(input,shape) 和torch.view(input,shape)

我建议从内存分配的角度来理解reshape。无论一个张量 shape 怎么改变，它的分量在内存中的存储顺序也是不变的。

import numpy as np
a = np.arange(6)

# 其中order="C"、"F"、"A"分别代表不同读取顺序，
print(np.reshape(a, (2, 3), order='C'))
#[[0 1 2]
 [3 4 5]]
print(np.reshape(a, (2, 3), order='F'))
#[[0 2 4]
 [1 3 5]]
print(np.reshape(a, (2, 3), order='A'))
#[[0 1 2]
 [3 4 5]]

(9). 弄清楚torch.transpose(tensor,dim0,dim1)和torch.permute(dim0, dim1, dim2, dim3)

两者均代表矩阵的转置，在二维的时候很容易想明白转置之后的情况，但是高维度的时候就糊涂了。举个例子：

arr = torch.arange(16)
arr = arr.reshape(2,2,4)
# tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7]],
        [[ 8,  9, 10, 11],
         [12, 13, 14, 15]]])
arr = arr.transpose(1,2)
# tensor([[[ 0,  4],
         [ 1,  5],
         [ 2,  6],
         [ 3,  7]],

        [[ 8, 12],
         [ 9, 13],
         [10, 14],
         [11, 15]]])

上面这个三维数组例子，我定义为（batch，H，W），transpose(1,2)等效于长和宽转置。类似这样的例子我们已经练习过很多次了。

不过如何理解arr.transpose(0,1)?，batch和H维度转置没有物理含义。这需要借用矩阵stride概念来理解。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

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）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 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）👈

​