求教0基础入门大模型的学习路线?

agi大模型

于 2024-08-29 22:17:22 发布

阅读量547

点赞数 17

文章标签：学习大模型入门大模型学习路线

本文链接：https://blog.csdn.net/weixin_49892805/article/details/141689769

版权

文章目录

前言
零基础如何学习大模型 AI
资料领取

前言

0基础入门大模型，transformer、bert这些是要学的，但是你的第一口不一定从这里咬下去。

真的没有必要一上来就把时间精力全部投入到复杂的理论、各种晦涩的数学公式还有编程语言上，这样不仅容易让你气馁，而且特别容易磨光热情。

当我们认识复杂新事物时，最舒适的路径应当是：感性认识现象->理解本质和原理->将所学知识用于解释新现象并指导实践。

所以我给出的这条路径是：先学会如何使用大模型，然后了解其背后的原理，最后探索如何将其应用于实际问题。

Prompt工程：作为一个普通人，把大模型用起来

如果说大模型像一个矿藏，那么prompt就像是一把铲子，从哪个角度挖，如何挖，决定了你能开采出什么内容。

一个清晰有效的prompt包含角色、任务目标、上下文、输出要求、限定条件、理想示例等一系列内容，只有把prompt设计好了，大模型才有可能发挥出理想的效果。

AI编程：作为一个程序员，把大模型用起来

学会使用Copilot、通义灵码之类的AI编程工具来提升编码效率。现阶段AI辅助编程在代码补全以及注释生成方面表现还不错，因此需要你来把架子搭好、把模块分好。这样无形中还能提高你的架构能力。

API调用：作为一个大模型套壳程序员，玩一下

掌握如何调用市面上常见的大模型API，结合自己的想法实现具体的小任务，这对初学者来说是一个实际操作的好机会。

这时候你就获得了实践经验和对AI的直观认识。接下来就可以进入更深一层的大模型应用技术了。

大模型应用开发：作为一个大模型应用开发程序员，把大模型用起来

在工具方面，需要学习如LangChain这样的开发库，以及如LlamaIndex这样的数据索引和检索工具。

方向方面：

RAG(Retrieval-Augmented Generation 检索增强生成 )：

RAG 是 LLM 落地最早的一个方向之一。简单来说就是搭建一个私有的知识库，将你的私有知识数据存储在向量数据库里，然后对话的过程中按照某些策略去检索这些知识，然后提供给大模型进行参考。

逻辑流程：数据提取->embedding（向量化）->索引创建->检索->排序->LLM生成。

这部分内容技术细节很多，也非常有趣，很有搞头。

Agent

大模型应用的风口方向，非常香！简单来说就是给大模型大脑制定一个策略，让它可以自主地去感知环境并且进行任务执行。

典型的AI agent分为**Memory（记忆）、Tools（外部工具）、Planning（计划）和Action（行动）**四个模块。

Agent相关的开源项目以及产品非常多，可以边研究边学边做。

至此，应用方面的板块内容就介绍完了。注意**这个路径虽然更适合0基础入门，但是并不代表轻松简单。**出来混，总要还的，因为我们前期跳过了很多基础知识，所以意味着越往后学，越需要回填大量前置内容，比如：

掌握 Python 语言
掌握向量数据库
熟悉常用的库和工具，如 NumPy、Pandas、TensorFlow、PyTorch 等
具备 NLP 相关的基础知识，包括文本预处理、分词、词性标注、命名实体识别、词向量表示等
Transformer 模型的结构和原理、基于注意力机制的自然语言处理技术等
BERT、BART、T5等经典的模型
数学基础知识

说真的，补理论知识、搭项目环境，这个过程自己摸索和踩坑的话还是非常痛苦的。很有可能学着学着就放弃了。

深水区：模型训练和微调

在这一阶段，重点学习各种常见的预训练模型、模型结构及其主要的预训练任务。

Fine-tuning

通过Prompt-Tuning、Prefix-Tuning和P-Tuning等技术更精细地控制模型在特定场景下的表现
通过LoRA和QLoRA等技术，在保持模型大小不变的前提下，通过局部调整网络参数来提高模型的灵活性和效率
掌握强化学习基础；
使用Tokenizer工具来优化文本数据的预处理过程

多模态

大模型的重要的发展方向，探索如何处理和整合多种类型的数据（文本、图像、声音等），学习构建多模态模型。

产品和交付

大模型时代的产品，无论从用户需求、产品逻辑还是产品形态、商业模式等方面，大家都还处于摸索状态，因此在学习大模型领域知识时一定要一直看到产品和商业化这一层。

看清楚了哪个赛道拥挤、哪个领域是风口，就能够更好地把握职业机会，更有效地将大模型技术转化为求职市场的竞争力。

我们把这个路径捋一下，就得到了这张AI大模型全栈知识地图：

从下往上看，就是我所说的**“从实践到理论再到实践”**的学习路径了。这样看起来是不是既清晰又舒适呢？

最后，要想拿到好的大模型相关岗位offer，还需要大量积累论文学习经历以及项目经验。比如可以参加一些竞赛，像国外的Kaggle和阿里云天池都是获取项目经验的好途径。

零基础如何学习大模型 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。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述

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。