大模型的预训练技术
大模型的预训练技术(Pre-traning)是大模型性能的根基,这部分技术门槛和成本门槛都很高,我们需要了解以下几个核心技术:
- Transformer 人工神经网络架构
- MOE 多专家架构
- Supervised Fine-tuning、Reinforcement Learning from Human Feedback(RLHF 基于人类反馈的强化学习)
- 数据工程
- 分布式预训练并行技术(数据并行、流水线并行、张量并行、序列并行、多维混合并行、自动并行、MOE 并行等)、
- 分布式预训练并行框架(PyTorch、Megatron、DeepSpeed、Ray)
- 分布式预训练网络通信(点对点通信、集体通信、AllReduce、AllGather、梯度分桶、计算与通信重叠、跳过梯度同步
- 分布式预训练流程(前向传递、损失计算、梯度计算、梯度通信、后向传递、优化器更新模型参数、保存模型
- 分布式预训练策略(Batch Size、epoch、损失精度、梯度方法
- 预训练评估技术。
大模型的微调技术
大模型微调技术是增强通用大模型能力,降低幻觉的核心技术,也是构建企业私有大模型两大技术手段之一(RAG、微调),因此需要好好掌握,包含以下几个核心技术:
- 微调方法(LoRA、QLoRA、Prompt Tuning、Prefix Tuning、P-tuning V2 等)
- 高效微调框架(Hugging Face PEFT)
- 数据工程(数据获取、数据清洗、数据结构化、数据存储、数据查询)
- 微调评估技术。
大模型的检索增强技术
大模型检索增强生成技术是增强通用大模型能力,也是降低幻觉的大模型微调技术、同样是构建企业私有大模型两大技术手段之一(RAG、微调),因此需要好好掌握,包含以下几个核心技术:
- RAG 整体架构
- Embedding Model
- 向量数据库
- 数据工程(数据获取、数据清洗、数据结构化、数据存储、数据查询)
- RAG 开发框架(LlamaIndex)
- RAG 增强评估技术
- RAG 增强框架(C-RAG)
大模型的推理技术
大模型推理是在线完成用户 Prompt 请求的技术架构,主要由推理效果和推理速度构成,也是必须要掌握的关键技术之一、主要包含以下几个核心技术:
- 推理优化加速服务化框架(vLLM、TensorRT-LLM、Triton)
- 推理优化技术(PageAttenion、FlashAttention)
大模型的压缩技术
大模型压缩是平衡推理效果和推理成本的主要实施技术,特别是预算有限的中心型公司,大模型的压缩技术就显得更加重要,包含技术如下:
- LLM 训练量化技术(LLM-QAT、QLoRA)、
- LLM 推理量化技术(GPTQ、LLM.int8()、SmoothQuant、AWQ、AutoAWQ、SpQR、ZeroQuant)、
- LLM 结构化剪枝技术(LLM-Pruner)、
- LLM 非结构化剪枝技术(SpareGPT、LoRAPrune、Wanda)、
- LLM 知识蒸馏技术(Standard KD、学生模型、老师模型、EA-based-KD(In-Context Learning 上下文学习、Chain-of-Thought 思维链、Instruction Following 指令跟随))、
- 低秩分解技术(ZeroQuant-FP + 量化、LoRAPrune + 剪枝)。
大模型的应用技术
基于大模型的应用开发是每个 IT 同学都需要掌握的基本技能,这也是构建 AGI 时代新的应用形态 Agent 和产业应用升级的基本条件。主要包含以下几个核心技术:
- 开发框架(LangChain、LlamaIndex、Semantic Kernel)
- 开发架构模式(面向过程架构设计、面向目标架构设计)
- Agent 开发模式(Planing、Action、Observation)
- 向量数据库(Pinecone、Milvus、PgVector、Faiss、Redis、Elasticsearch 等)
- 应用部署硬件(GPU 选型、GPU / CPU 资源评估)
- LLMOps(评估、测试、调试、监控、问题定位等)
大模型的基础设施技术
大模型的基础设施技术是大模型应用运行的基座,非常重要。主要包含以下几个核心技术:
- 大模型加速卡(AI 芯片技术、英伟达 GPU 技术、谷歌 TPU 技术)、
- AI 编译技术、AI 编译优化技术、AI 编译框架( MLIR、XLA、TVM)、
- LLMOps(Docker、Kubernetes、可观测平台)
- 基础环境安装(英伟达 A800、英伟达 A100、英伟达 H800、昇腾 910/910B 安装)、
- 常用工具
-
Linux 常见命令大全
-
Conda 常用命令大全
-
Poetry 常用命令大全
-
Docker 常用命令大全
-
Docker Dockerfile 指令大全
-
Kubernetes 常用命令大全
-
集群环境 GPU 管理和监控工具 DCGM 常用命令大全
-
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓