程序员系统入门大模型的路径和资源，看这篇就够了

最新推荐文章于 2024-10-04 22:36:54 发布

AI学习不迷路

最新推荐文章于 2024-10-04 22:36:54 发布

阅读量471

点赞数 17

文章标签：大语言模型 AI大模型语言模型人工智能程序员转行大模型大模型入门

本文链接：https://blog.csdn.net/qkh1234567/article/details/142644646

版权

本篇文章面向对大模型领域感兴趣，又不知如何下嘴的程序员。

看一下围绕大模型的应用场景和人才需求：

Prompt工程： 基于提示词对大模型的使用，会问问题就行。

基于大模型的应用（狭义的）： 通过预设一些Prompt的方式做业务层应用，俗称大模型套壳。AI主播、AINPC、AI小助手。。。之前是会调API就行。现在有了GPTs，连调用API都可以不用了，动动嘴就可以实现应用生成。

私有知识库：用RAG技术给大模型配个“资料袋”**——**大模型外挂向量数据库。

**AI Agent：**给大模型“大脑”装上记忆体、手和脚，让它可以作为智能体进行自主决策、任务拆解和执行。

**微调大模型：**基于基座大模型的Fine Tuning。

**训练大模型：**大模型训练，高端赛道的角逐。

因此普通程序员研究大模型，不妨选择从外到内的思路，从套壳应用，再了解部署、微调和训练。

前导篇

Python

Python：AI领域最常用的编程语言。要学会基础语法、数据结构等。Python不难，对于一般程序员来说很容易上手。

向量数据库

随着AI的发展进入新的时代，知识的存储和表示就和向量分不开了。向量这个数学表达，在目前是人与AI交互的中间媒介。向量数据库是一种特殊的数据库，它以多维向量的形式保存信息。让大模型拥有“记忆”，就需要用到向量数据库。

常见的向量数据库包括：Chroma、ES、FAISS、Milvus]等，需要了解和会用。

实战篇

LangChain

要将大语言模型的能力开发成产品，就需要LangChain帮忙了。LangChain 是一个 LLM 编程框架，它提供了一套工具、组件和接口，借助LangChain，我们可以更加便利地给大模型这个“大脑”装上记忆和四肢，更轻松地完成基于大模型的应用开发。

比如带有私有知识库的办公助手等AI Agent，都可以借助LangChain来完成。

LangChain主要支持6种组件：

Models]：模型，各种类型的模型和模型集成
Prompts：提示，包括提示管理、提示优化和提示序列化
Memory：记忆，用来保存和模型交互时的上下文状态
Indexes：索引，用[结构化文档，以便和模型交互
Chains：链，一系列对各种组件的调用
Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止

可以结合市面上的一些开源项目学习Langchain。

在本地搭建部署开源模型

从零入门大模型技术)，其实还是有点门槛的，硬件资源就是一关，性能一般有限。但还是可以从参数规模较小的7B左右开源模型开启尝试。比如清华的GLM系列，meta的llama系列都可以。

另外也可以用Ollama工具，Ollama旨在简化在[Docker容器]中部署和管理[大型语言模型（LLM）的过程。Ollama支持的模型库，连[包Llama3]都包括了，还是很香的。

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）]()👈

提高篇

机器学习基础

了解分类算法、回归算法、聚类算法、[降维算法]等经典的机器学习算法；
模型评估：交叉验证、偏差和方差、[过拟合]和欠拟合、性能指标（准确率、召回率、[F1分数]等）。

深度学习基础

掌握CNN,[RNN]等经典网络模型，然后就是绕不开的[Transformer]。

Transformer是一个引入了 [Self-attention 机制]的模型，它是大语言模型的基石，支撑着庞大的大语言模型家族。

在代码层面，必须掌握的就是神经网络的框架，主流框架有tenorflow,Pytorch等。

[NLP]基础知识

NLP、[NLU、NLG的差别；

[自然语言处理]中的基本任务和相关的应用；

[TF-IDF等基本算法和技术；

预训练语言模型：模型的输入、模型的结构、训练的任务、模型的输出；

可以直接从word2vec开始了解，然后到transformer，[bert]。

了解LLM的3个分支和发展史

根据使用的 Transformer 的方式不同，有3种常见的主流架构：encoder-only，encoder-decoder和[decoder-only](。

这张图清晰地展示了LLM的3个分支：

encoder-only：BERT
encoder-decoder：T5, GLM-130B, UL2
decoder-only：GPT系列, [LLaMA]OPT, PaLM,BLOOM
了解典型 Decoder-only 语言模型的基础结构和简单原理。

深入篇

掌握 Continue Pre-train、Fine-tuning 已有开源模型的能力；
掌握 Lora、[QLora]等最小化资源进行高效模型训练的[PEFT技术]；
掌握强化学习基础；
[Alignment]与RLHF；
数据处理技术；
压缩模型、推理加速技术；
分布式训练并行技术；
[分布式网络通信技术]；
生产环境部署大模型的相关技术。

很多人说，大模型赛道不是普通人能玩的。狭义的大模型赛道，是这样，更多的是看运气。但是大模型之上的生态，目前来看是广阔的蓝海。