很简单，因为做AI不需要造轮子！
我来举几个耳熟能详的例子，都很适合作为例子学习AI大模型。
第一个是Meta的开源大模型Llama2，这是它的链接。
映入眼帘的问卷后缀主要有两类，md-Markdown文件，一般是说明文件；py-Python文件，一般是工程文件。
再点进去具体的工程文件，清一色的py，python文件。
再深入一点儿，打开model.py模型文件，你看这个torch没，它是做深度学习基本上必备的库，它是基于Python写的。
再来一个OpenAI开源的GPT2，也是清一色的python文件。
https://github.com/openai/gpt-2/tree/master/srcgithub.com/openai/gpt-2/tree/master/src
不过GPT2是五年前的作品，它的model模型文件里面用的是tensorflow，它也是做深度学习的库。
你可以看这个图，做深度学习，其实主流的AI大模型，靠的就是这些工具，最底层就是C++或者C语言，因为它们的运行速度更快，但是缺点就是学习难度高，曲线长。
想要更加深入的了解大模型，我建议大家从拥有自己的GPT开始，这是最经典也是目前综合性能最强的大模型
因此在C++的基础上开发了更多的框架，用的是高级语言，比如说Python就是其中之一。
像PyTorch（Meta Llama）、TensorFlow（OpenAI GPT2）就是典型的例子，也有一些工作是用的MXNext等。
但是从主流角度来讲，会Pytorch基本上就差不多了。
但如果你要是从学习的角度来看，Pytorch只是专门来做大模型框架的，但是除了模型框架之外，其实还有不少的东西要学，才能覆盖完AI的大多数方向。
主要的库就这么几个，标*的是必学的，其他的可以暂时不学，或者让ChatGPT代劳。
| 库/模块名称 | 简介 |
|---|---|
| *NumPy | 提供了大量的数学函数以及用于操作大型数据集或数学数组的函数 |
| *pandas | 提供了一种灵活的数据结构，使我们能够在 Python 中处理和分析表格型或异质型数据 |
| *Matplotlib | 一个用于创建静态、动态或交互式可视化图表的库 |
| Seaborn | 提供了一组高级界面，用于绘制吸引人的统计图形 |
| *Scikit-Learn | 提供了一些简单且高效的工具，用于数据挖掘和数据分析 |
| TensorFlow | 一个开源的深度学习框架，由 Google Brain 团队开发 |
| Keras | 一个用于构建和训练深度学习模型的高级接口 |
| PyTorch | 一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发 |
在掌握Python基础和有了ChatGPT的辅助之后，开始机器学习的实操部分其实变得不那么困难了。
你可以利用机器学习算法的cheatsheet，逐一让ChatGPT帮你生成算法，并详细解释每一步，这个过程不仅比传统的学习方式更快，也更加有趣。
例如，如果你对线性回归（linear regression）感兴趣，你可以这样询问ChatGPT：“请使用Python创建一个线性回归的机器学习模型，并用模拟数据对其进行训练和验证。请一步步指导我如何实现，包括相关的数学公式。”
不懂的地方直接问ChatGPT，比如说你不想问现成的库，想自己做一个加强印象，你可以这么问。
记得，遇到不懂的问题，直接提问即可。
实际操作经验通常是学习中的最佳老师。通过参与小型项目进行实战是极佳的学习方式。Kaggle平台提供了众多数据集，非常适合这种实践。你可以通过以下链接访问这些数据集：
https://www.kaggle.com/datasets?search=machine+learning
在Kaggle上，每个数据集都对应一个特定的机器学习任务。选择一个感兴趣的项目开始，先从阅读和学习他人的代码做起。
免费资料包
另外还有免费的AI大模型学习资料包，供你学习。点击下面的卡片就可以免费领，具体有：
👉AI大模型学习路线汇总👈
👉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。
👉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】🆓
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
