什么？ 20分钟，构建你自己的LLaMA3应用程序！

4月19日，Meta发布了最新的大语言模型LLaMA3，具体包括一个8B模型和一个70B模型，上下文长度支持8K，被誉为史上最强开源大语言模型，开源社区的“重磅炸弹”，效果直指GTP4。在诸多评测任务上，LLaMA3都有非常炸裂的效果。8B模型在多项指标中超越了Gemma7B和Mistral 7B Instruct，而70B模型则超越了闭源的Claude 3 Sonnet，和Gemini Pro 1.5。具体的评测报告可以参见：https://github.com/meta-llama/llama3/blob/main/eval_details.md

由于Llama 3 选择了相对标准的纯解码器 Transformer 架构，根据各方信息推测，性能提升主要来自数据质量的提升。一是使用了15T的预训练数据，相比Llama 2提高了7倍，并且大幅提高了代码的使用量，以增强模型的推理能力。二是使用了词汇量为128K的标记器，相比Llama 2使用的 32K 标记器，改善了标记化的粒度。另外，在8B 和 70B 大小的模型上采用了分组查询注意力 (GQA)，提高了Llama 3的推理效率。

开源社区对此反响强烈，短短5天，Hugging Face上已经有了1000多个变种，而且数字还在持续增长。

面对AI行业一波又一波的巨大事件，我们在赞美和焦虑之外，能做点什么呢？虽说不上躬身入局，但总想让稍微感受一下AI巨浪带来的点点涟漪。不是有句老话说得好么，不是AI取代人类，而是懂AI的人取代不懂AI的人。

于是我用百度找到了LLaMA3的体验地址：https://www.meta.ai/。但当我在浏览器输入并等待了10分钟后，我放弃了… 网络问题，无情的阻碍了我进步的脚步。我再次打开百度，想试试能不能在本地安装一个LLaMA3，但当我看到60G的模型大小，以及昂贵的GPU算力，以及各种程序报错时，我又一次知难而退了。是坚持，还是放弃，这是个问题。。。。。

直到，我在京东云上看到了这个产品…

于是，我打开手机计时器，开始了我寻找AI浪花之旅

第一步，进入京东智算服务控制台：https://gcs-console.jdcloud.com/instance/list

第二步，点击创建按钮购买GPU实例，注意计费方式一定选择**“按配置”**，就是按使用时长进行计费，一个小时才1.89，充值2块钱，就能玩2个小时，真是良心。点击“立即购买”下单。

第三步，在实例列表页面，等待实例状态变为“运行中”，然后点击Jupyter进入AI的开发环境。

第四步，在Jupyter页面中，点击进入Terminal终端，执行如下命令：

cp -r /gcs-pub/llama-factory/ /data/

第五步：在左侧的目录树中，找到llama-factory/src/web_demo.py文件，双击打开，然后把server_port修改为28888，Ctrl+S保存这个修改。

第六步：再次打开刚才的终端，分别执行下面几行命令：

cd /data/llama-factory` `conda create -n liandan python=3.10 -y``conda activate liandan``pip install -e .[metrics]``CUDA_VISIBLE_DEVICES=0 python src/web_demo.py --model_name_or_path /gcs-pub/Meta-Llama-3-8B-Instruct --template llama3

这个平台的特点是速度特别快，比其他平台都快，几分钟后，我看到了胜利的曙光…
第七步：在控制台实例列表页面（https://gcs-console.jdcloud.com/instance/list），点击该实例的最后一栏，操作-应用-自定义应用，于是乎，LLaMA3就显出了原型。

听说这个平台还能无代码直接启动文生图应用，等下次我再试试吧，现在要迫不及待的开始调戏LLaMA3啦，完美！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

本文转自 https://mp.weixin.qq.com/s/g8grpm2OjpRETOItBoB_wA，如有侵权，请联系删除。