想学习大语言模型(LLM)，应该从哪个开源模型开始？

那一定是Llama3了，毕竟跟着李开复选，总是没错的。

就是李开复老师创办的通用大模型「零一万物」，陷入了套壳Meta也就是Facebook开源的大模型，Llama的质疑中。

据说这是李开复老师对此的回复

从这里面我们可以得到一个非常明显的信号。

就是李开复老师，作为一个具有顶级视野的人，没有选择重复造轮子，而是在Llama的基础上继续做。

这证明了什么?

这证明了Lama就是现在最值得学习的大语言模型

跟着李开复选，总是没错的，起码比自己瞎选一个强。

其实从Github的反馈也可以看得出，4.5万的收藏，多么恐怖的数据。

并且拥有大量的徒子徒孙。

非常适合作为参考进行学习。

LLaMA是什么?

LLaMA(大型语言模型 Meta AI)是一系列先进的基础语言模型，参数数量从70亿到650亿不等。这些模型体积较小，但性能卓越，大大降低了尝试新方法、验证他人工作和探索创新用例所需的计算力和资源。

LLaMA 模型在大型未标记数据集上进行训练，非常适合针对多种任务进行微调。模型的训练数据来源包括:

• 67.0%来自CommonCraw
• 15.0% 来自 C4
• 4.5% 来自 GitHuba
• 4.5% 来自维基百科
• 4.5% 来自书籍
• 2.5% 来自 ArXiv
• 2.0% 来自 StackExchange

这些多样化的数据集赋予了模型与顶级模型(如 Chinchila-70B 和 PaLM-540B)相匹敌的最先进性能。

Meta 的 LLaMA 如何工作?

LLaMA 是基于Transformer架构构建的自回归语言模型，像其他主要语言模型一样，LLaMA 通过接收一系列单词作为输入并预测下一个单词来递归生成文本。

LLaMA 模型有几种不同大小的版本：7B、13B、338 和 65B 参数，可以在 Hugging Face（LLaMA 模型转换为与 Transformers 兼容）或官方仓库 facebookresearch/lama 上访问它们。

使用案例:

1.安装必要的Python 库，这个案例是在colaba中用Llama

%%capture
%pip install transformers SentencePiece accelerate

2. 倒入LLama的token和weights Loading LLaMA tokens and model weights.

import transformers, torch
from transformers import LlamaTokenizer, LlamaForCausalLM, GenerationConfig

tokenizer = LlamaTokenizer.from_pretrained("decapoda-research/llama-7b-hf")
model = LlamaForCausalLM.from_pretrained(
        "decapoda-research/llama-7b-hf",
        load_in_8bit=False,
        torch_dtype=torch.float16,
        device_map="auto",
    )

3. 编写问题

4. 把问题文本转换成token

5. 创建模型生成配置

6. 使用tokens和生成配置来生成输出文本。

7. 解码并打印输出结果.

instruction = "How old is the universe?"
inputs = tokenizer(
    f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.
### Instruction: {instruction}
### Response:""",
    return_tensors="pt",
)
input_ids = inputs["input_ids"].to("cuda")

generation_config = transformers.GenerationConfig(
    do_sample=True,
    temperature=0.1,
    top_p=0.75,
    top_k=80,
    repetition_penalty=1.5,
    max_new_tokens=128,
)

with torch.no_grad():
    generation_output = model.generate(
        input_ids=input_ids,
        attention_mask=torch.ones_like(input_ids),
        generation_config=generation_config,
    )
output_text = tokenizer.decode(
    generation_output[0].cuda(), skip_special_tokens=True
).strip()
print(output_text)

结果如下：

Below is an instruction that describes a task. Write a response that 
appropriately completes the request.
### Instruction: How old is the universe?
### Response: The age of our Universe can be calculated by measuring 
how fast it expands and then using this information to calculate its
size at different points in time, which allows us determine when 
things happened relative to each other (evolutionary biology). This 
method has been used for many years now with great success; however
there are still some uncertainties about what exactly we're seeing 
because light takes so long travel from distant galaxies back here on
Earth! So while scientists have determined roughly 13 billion 
year-old as being correct they don't know if their calculations were 
off or not due to these limitations mentioned above

这就是一个简单的Llama使用的案例，当然它也可以微调等等，更多的内容推荐大家去Meta的官网上看看。

你可以看到ChatGPT强大的解释能力。

它可能比绝大多数人都要友好且专业。

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】