随着大模型的飞速发展,在短短一年间就有了大幅度的技术迭代更新,从LoRA、QLoRA、AdaLoRa、ZeroQuant、Flash Attention、KTO、PPO、DPO、蒸馏技术到模型增量学习、数据处理、开源模型的理解等,几乎每天都有新的发展。
我们总结了算法工程师需要掌握的大模型微调技能,并制作了大模型微调技能图谱,希望可以帮助大家将知识体系梳理清楚,为未来在大模型的工作与科研道路上节省时间,提高效率!
作为算法工程师,面对如此庞大又在飞速迭代的大模型技术体系,您是否有感觉自己的学习步伐有点跟不上技术的发展?或者对这些新兴技术的理解仅仅停留在应用层面上,实际上对背后的原理并没有深入剖析过?如果您希望在大模型赛道上持续保持竞争壁垒,对技术本身的深入理解是很必要的选项。
鉴于这类痛点,并迎合技术的发展,贪心科技推出《大模型微调算法实战营》,通过3个月的时间,全面掌握以上图谱中列出的知识技术以及背后的精髓,帮大家大大节省学习成本。
下面是7个阶段学习安排,感兴趣的朋友们欢迎扫码咨询。
扫描二维码,添加顾问老师咨询~
详细大纲
第一阶段:大模型基础
第一章:开营典礼
介绍课程目标、安排和预期成果
明确对学员的要求和期望
概述课程中将探讨的项目和技术
讨论大模型技术的行业现状
推荐关注的工具和开源项目
第二章:大模型是怎么炼成的
大模型的定义和重要性
大模型发展历程和关键里程碑
预训练与微调的基本概念
大模型预训练、数据处理、微调、对齐
大模型训练的基础设施和资源需求
面临的挑战和未来发展方向
第三章:Transformer模型原理剖析(1)
Transformer模型的基本架构
Self-Attention机制的原理和计算过程
Multi-Head Attention的设计和作用
注意力权重的计算和可视化
Self-Attention在模型中的作用和优势
第四章:Transformer模型原理剖析(2)
Positional Encoding的概念和实现方法
Rotary Positional Embedding
BPE tokenizer,SentencePiece Encoding
Transformer中的Feed-Forward Networks
Layer Normalization的原理和重要性
Transformer模型中的残差连接
编码器和解码器的结构差异
第五章:Transformer模型原理剖析(3)
Transformer的训练策略和优化方法
参数初始化和学习率调度
Transformer模型的正则化技术
Attention机制的变种和改进
Greedy Decoding, Beam-search
Top-K Sampling, Top-p Sampling
Transformer源码解读
第六章:Transformer模型全量微调和高效微调
全量微调与高效微调的区别
Transformer模型微调的常见策略
选择合适的微调任务和数据集
微调中的挑战和最佳实践
评估微调效果的标准和工具
第七章:【项目实战1】大模型PEFT微调项目
PEFT的安装
PEFT的使用说明,核心模块讲解
指令数据准备和预处理的技巧
实施微调的详细步骤
微调项目的性能评估和分析
第八章:GPT模型家族剖析
GPT系列模型的发展历程
GP1到GPT4,GPT3模型剖析
GPT代码解读
InstructGPT模型剖析
Zero-shot Prompting
Few-shot Prompting
GPT模型的局限性和挑战
第九章:LLaMA家族模型剖析
LLaMA模型的特点和技术创新
LLaMA模型的原理剖析
LLaMA源码解读
LLaMA与其他大模型的对比
LLaMA模型的训练和微调策略
面对LLaMA模型的未来发展方向
第十章:ChatGLM家族模型剖析
ChatGLM的架构和设计理念
ChatGLM模型解读
ChatGLM1到ChatGLM3的技术迭代
ChatGLM模型的优势和应用领域
ChatGLM模型微调和部署的实践指南
ChatGLM模型的评估和性能优化
第十一章:Baichuan家族模型剖析
Baichuan模型的概述和核心技术
Baichuan原理剖析和源码解读
Baichuan模型与其他模型的比较
Baichuan模型在特定任务上的应用
微调Baichuan模型的策略和技巧
Baichuan模型的局限
第二阶段:大模型指令微调之- LoRA
第十二章:指令微调基础
指令微调的定义与应用背景
指令微调与传统微调的对比
指令微调在大模型中的重要性
指令微调流程概览
指令微调的挑战与策略
第十三章:必要矩阵知识
矩阵和向量的基本概念
矩阵运算与性质
特征值和特征向量
矩阵分解(SVD)技术简介
矩阵在LoRA算法中的应用
第十四章:LoRA算法剖析
LoRA算法的原理与动机
Lora中的Low-rank假设
LoRA的关键技术组件
LoRA算法的实现步骤
LoRA算法的优化与调试
LoRA算法源码解读
第十五章:指令数据搜集和生成
指令数据的重要性与来源
自动化和手动搜集指令数据的方法
指令数据的预处理和标准化
生成高质量指令数据的技巧
指令数据集的维护与更新
指令数据的人工质量评估与自动质量评估
第十六章:【项目实战2】Alpaca微调大模型
Alpaca微调项目的设计与目标
准备Alpaca微调所需的指令数据
实施Alpaca微调的详细步骤
评估Alpaca微调效果的方法
分析与解决Alpaca微调中遇到的问题
解读Alpaca项目源码
第十七章:AdaLoRA算法剖析
AdaLoRA与LoRa的比较
动态改变矩阵权重的意义
SVD与AdaLoRA
训练AdaLoRA
AdaLoRA源码解读
AdaLoRA案例讲解
第十八章:【项目实战3】Vicuna微调大模型
Vicuna微调项目的背景与应用场景
ShareGPT数据收集
Vicuna微调的实施流程和技术细节
Vicuna微调效果的评估与分析
基于Vicuna微调项目的经验总结与展望
第三阶段:大模型指令微调之- Quantization
第十九章:模型Quantization基础
Quantization在深度学习中的作用与原理
常见的Quantization技术及其分类
模型Quantization对性能和精度的影响
Quantization的实践步骤和工具
模型Quantization的挑战与解决策略
第二十章:QLoRA算法剖析
QLoRA算法的定义和背景
QLoRA与LoRA的关键区别和改进
QLoRA算法的详细实现过程
4bit NormalFloat, double quantization
QLoRA算法的优化和调试技巧
QLoRA源码解读
第二十一章:【项目实战4】QLoRA微调LLaMA大模型
技术方案的设计
收集和预处理指令数据
基于PEFT进行QLora大模型微调
评估QLoRA微调之后的效果
分析QLoRA微调过程中遇到的问题及其解决方案
第二十二章:模型Compression技术
模型压缩的必要性和技术背景
常见的模型压缩方法概述
模型压缩与Quantization的关系
实施模型压缩的步骤和注意事项
模型压缩技术的最新研究进展
第二十三章:模型蒸馏技术探索
模型蒸馏的基本概念和工作原理
模型蒸馏在模型优化中的应用
不同蒸馏技术的比较和选择
实施模型蒸馏的具体方法
模型蒸馏技术面临的挑战及其解决策略
第二十四章:ZeroQuant算法剖析
ZeroQuant算法的基本原理和应用背景
ZeroQuant在模型Quantization中的创新点
实现ZeroQuant的关键步骤和技术要求
ZeroQuant源码解读
ZeroQuant技术的局限性和未来方向
第二十五章:SmoothQuant算法剖析
SmoothQuant算法的设计理念和核心技术
SmoothQuant与传统Quantization方法的区别
实施SmoothQuant算法的具体流程
SmoothQuant源码解读
SmoothQuant面临的技术挑战和改进路径
第四阶段:大模型对齐之-RLHF
第二十六章:RLHF算法概述
RLHF的起源和背景
RLHF在人工智能中的作用和重要性
强化学习与人类反馈:结合的优势
RLHF的主要应用领域和案例研究
从InstructGPT到GPT4
第二十七章:人类反馈的集成
人类反馈在强化学习中的角色
不同形式的人类反馈:标注、偏好、指导
从人类反馈中学习:方法和策略
人类反馈数据的收集和处理
人类反馈强化学习的挑战和解决方案
第二十八章:PPO算法概述
PPO的起源和动机
PPO与其他策略梯度方法的对比
算法核心概念和原理
PPO的优势和局限性
PPO的应用领域和案例
第二十九章:强化学习和数据基础
强化学习基本概念介绍
数据在强化学习中的作用和重要性
状态、动作和奖励的数据结构
数据收集、处理和利用的方法
使用模拟环境进行数据生成和测试
第三十章:策略优化基础
策略梯度方法简介
优势函数和回报
基线的概念和作用
累积回报与折扣回报
探索与利用的权衡
第三十一章:PPO核心技术细节
目标函数和KL散度
裁剪目标函数的原理
多次迭代优化策略
广义优势估计(GAE)
重要性采样和策略更新
第三十二章:基于开源大模型从零实现PPO算法
构建神经网络模型
实现PPO的优化循环
自适应学习率调整
调试和性能分析技巧
评估对齐之后的大模型
第三十三章:高级PPO技术和强化学习进阶
PPO变体和改进策略
处理高维输入和模型泛化
多智能体环境中的PPO应用
强化学习中的迁移学习和多任务学习
强化学习中的安全性和可解释性
第三十四章:【项目实战5】RLHF医疗大模型微调
项目需求分析和技术方案设计
环境设置和任务定义
对齐数据的收集和预处理
实现PPO训练流程
结果分析和性能优化
第五阶段:大模型对齐之-DPO
第三十五章:DPO算法概述
DPO(Direct Preference Optimization)介绍
与PPO算法对比
DPO的应用场景和重要性
基本原理和工作机制
DPO算法的优势和挑战
第三十六章:排序和偏好的基础
偏好与排序问题在AI中的角色
数据表示:成对比较和偏好矩阵
偏好学习的挑战
排序和偏好预测的评估指标
经典偏好学习算法概览
第三十七章:DPO核心技术细节
偏好建模的数学框架
直接与间接偏好优化的对比
DPO中的关键算法组件
成对比较数据的处理方法
DPO的损失函数和优化策略
第三十八章:DPO算法的从零实现
数据整理与预处理
构建偏好学习模型的步骤
使用Python实现基础DPO模型
在benchmark上测试DPO性能
DPO的优势和缺点
第三十九章:【项目实战6】DPO在推荐系统中的应用
推荐系统中的偏好学习
设计DPO驱动的推荐算法
处理实时用户反馈
实施DPO进行推荐模型微调
评估推荐系统的性能
第四十章:高级DPO技术
多任务学习与DPO的结合
DPO在非监督学习中的应用
深度学习方法与DPO
交互式偏好学习
DPO技术的变种
第六阶段:大模型其他微调技术
第四十一章:Prefix Tuning算法剖析
Prefix Tuning的基本原理
实现Prefix Tuning的关键步骤
Prefix Tuning源码解读
Prefix Tuning与其他微调方法的比较
在NLP任务中应用Prefix Tuning的案例
Prefix Tuning的局限性和挑战
第四十二章:Adaptor Tuning算法剖析
Adaptor Tuning的基本原理
如何在大模型中插入Adaptor层
Adaptor Tuning的优点和应用场景
Adaptor Tuning源码解读
实际案例:Adaptor Tuning在分类任务中的应用
Adaptor Tuning的效率和扩展性问题
第四十三章:Flash Attention算法剖析
Flash Attention的设计思想和算法原理
优化Transformer模型中的注意力机制
Flash Attention在提升处理速度和效率上的作用
应用Flash Attention改进大模型的案例分析
Flash Attention的实现挑战和解决方案
第四十四章:Flash Attention 2算法剖析
介绍Flash Attention 2与前版本的区别
深入探讨Flash Attention 2的技术改进点
Flash Attention 2在复杂任务处理中的应用示例
评估Flash Attention 2的性能和适用范围
Flash Attention 2的实现细节和调优建议
第四十五章:Kahneman-Tversky Optimization (KTO) 算法剖析
KTO算法背景和理论基础
Kahneman-Tversky优化在微调中的应用
实施KTO的关键技术步骤
KTO在提高决策质量中的角色
KTO应用案例和性能分析
第四十六章:【项目实战7】QLoRA+Flash Attention微调大模型
结合QLoRA和Flash Attention的微调策略
任务选取和数据准备
微调流程详解:从预处理到模型评估
分析微调后模型的性能改进
面临的挑战及解决方案分享
第七阶段:大模型增量学习
第四十七章:大模型增量学习概述
增量学习(Continual learning)的重要性
与传统从零训练的对比
增量学习的应用场景
任务选取和数据准备
微调流程详解:从预处理到模型评估
第四十八章:增量学习与灾难性遗忘
什么是灾难性遗忘
解决灾难性遗忘的思路
正则化、动态网络架构、元学习
通用数据与垂直数据的混合训练
数据中的信息分析
调整学习率
第四十九章:增量学习中的高级主题
增量学习在大规模数据集上的应用
多模态与跨领域增量学习
自适应学习和在线学习技术
强化学习与增量学习的结合
未来增量学习的发展方向
类别 | 说明 |
课程形式 | 线上直播+课程学习群答疑 |
课程安排 | 13次直播授课,每周1次,每次3-3.5小时 |
课程服务 | 25人以内学习群,助教答疑,保证遇到的问题被快速解决 专属咨询顾问与班主任老师全程伴学 全程直播讲解与演示+可反复观看课程视频 |
课程PPT举例
项目实战举例
课程学习群答疑举例
课程主讲
张老师
人工智能、大模型领域专家
清华大学计算机科学与人工智能研究部博士后
长期在大厂从事对话系统,预训练语言模型的研发和商业化
主要从事自然语言处理,对话领域的先行研究与商业化
先后在AAAI,NeurIPS,ACM,EMNLP等国际顶会及期刊发表高水平论文十余篇
李文哲
贪心科技创始人兼CEO
人工智能、大模型领域专家
多家上市公司技术战略顾问
曾任金融科技独角兽公司首席科学家
曾任量化投资初创公司首席科学家
曾任美国亚马逊推荐系统工程师
深耕人工智能领域十余年,授课培养AI学员数万人
报名咨询
扫描二维码,添加顾问老师咨询~