一文讲明白初学者怎么入门大语言模型（LLM）？（非常详细）零基础入门到精通，收藏这一篇就够了

关注

原创最新推荐文章于 2026-07-01 11:33:23 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

面向开发者的 LLM 入门课程一个中文版的大模型入门教程，围绕吴恩达老师的大模型系列课程展开，主要包括：· 书写 Prompt 的原则;· 文本总结（如总结用户评论）；· 文本推断（如情感分类、主题提取）；· 文本转换（如翻译、自动纠错）；· 扩展（如书写邮件）;· 使用大语言模型的基本规范；· 通过分类与监督评估输入；· 通过思维链推理及链式提示处理输入；· 检查并评估系统输出；· 模型、提示和解析器；· 应用程序所需要用到的存储；· 搭建模型链；· 基于文档的问答系统；· 评估与代理；· 上下文学习; 阅读详情

关于如何入门LLM，大多数回答都提到了调用API、训练微调和应用。但是大模型更新迭代太快，这个月发布的大模型打榜成功，仅仅过了一个月就被其他模型超越。训练微调也已经不是难事，有大量开源的微调框架（llamafactory、firefly等），你只要懂部署，配置几个参数就能启动训练。甚至现在有大量云上项目，你根本不需要部署，直接上传数据，就能启动。

这我让想起来之前的算法工程师都被调侃成调参师，新出一个大模型，下载下来跑一遍，运行一遍AutoTokenizer.from_pretrained(model_path)，对于自己理解和入门大模型没有任何意义。

对于初学者如何入门，我的建议是从一个开源大模型入手，全面了解它的运行原理以及如何应用。可以将大模型比作一辆车，我开车无需理解车是如何做的，但是车出问题了，了解原理能够帮我们快速找到其中的问题。

为了更好入门大模型，我建议按照以下顺序学习，分为编程基础准备、大模型原理理解和大模型应用三个部分。

一、编程基础准备

1.熟练Python编程语言

我一般使用numpy用于数据处理，matplotlib用于画图分析（比如分析位置编码、注意力矩阵）,numpy很多函数与pytorch类似放后面讲，这里主要讲常用的matplotlib画图函数，学好matplotlib库有利于我们以可视化的角度去理解一些大模型原理。

plt.bar(x,y,width)

举个例子，画直方图分析llama3 8B中参数分布情况，可以发现有2个峰值，分别是embedding层和最后输出logits层，两者参数量一致。

plt.plot(x,y,width)

举个例子，画点图分析llama3 8B中的位置编码RoPE。在同一位置m下，可以发现向量中的元素，在i比较小的时候变化较快，i较大的时候变化较慢。

plt.colorbar(x,y)

举个例子，画热力图分析llama3 8B中的Attenion矩阵。我的intput为“The boy didn’t cross the street because he was too ”，要预测下一个词。观察第10行（分析注意力矩阵都是以行为单位）可以发现"he"这个toke与"boy"这个token关联度很高，而不是“street”这个token。

所以说画图很重要，深度学习本质上都是矩阵运算，单看数字看不出什么结论，需要结合画图等可视化工具分析。

2.熟悉pytorch等深度学习框架

目前主流大模型基本上都是用pytorch写的，pytorch语法太多了，下面介绍在LLM中常用的pytorch语法（排序不分先后）

(1).torch.nn.Embedding(num_embeddings, embedding_dim...)

其中num_embeddings代表词表的大小，embedding_dim代表词向量的维度。embedding.weight的size为[num_embeddings，embedding_dim]。举个例子，输入索引i，输出embedding.weight 的第 i 行。

(2).torch.matmul(x,y) 、 x*y 、 torch.dot(x,y) 与 torch.mul(x,y)之间的区别

其中torch.matmul(x,y)代表矩阵相乘，torch.mul(x,y)与x*y均代表矩阵对应元素相乘， torch.dot(x,y)代表向量之间的点积。

(3).torch.full(size, fill_value)

torch.full([2,3],2.0)   #tensor([[2,2,2],            [2,2,2]])

(4).torch.triu(x)

import torch   a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])   b = torch.triu(a)   print(b)      # tensor([[1, 2, 3],              [0, 5, 6],              [0, 0, 9]])

用于注意力机制中的mask计算

(5). torch.outer(x,y)

x = torch.arange(1,5)   y = torch.arange(1,4)   print(torch.outer(x,y))   # tensor([[ 1,  2,  3],           [ 2,  4,  6],           [ 3,  6,  9],           [ 4,  8, 12]])

一般用于大模型位置编码计算中，比如正弦余弦位置编码、相对位置编码、旋转位置编码等。

(6). torch.view_as_complex(x)

x=torch.randn(4, 2)   # tensor([[ 0.0024,  1.5686],             [-1.2883,  1.0111],             [ 0.8764,  0.1839],             [ 0.8543, -0.0061]])   torch.view_as_complex(x)   # tensor([0.0024+1.5686j, -1.2883+1.0111j,  0.8764+0.1839j,  0.8543-0.0061j])

大模型位置编码有两种计算方法，一种是在实数域计算、一种是复数域计算。该函数一般用于复数域计算。

(7). torch.view_as``_real(x)

x= torch.tensor([ 0.0024+1.5686j, -1.2883+1.0111j,  0.8764+0.1839j,  0.8543-0.0061j])   torch.view_as_real(x)   # tensor([[ 0.0024,  1.5686],           [-1.2883,  1.0111],           [ 0.8764,  0.1839],           [ 0.8543, -0.0061]])

同上

(8). 弄清楚torch.reshape(input,shape) 和torch.view(input,shape)

我建议从内存分配的角度来理解reshape。无论一个张量 shape 怎么改变，它的分量在内存中的存储顺序也是不变的。

import numpy as np   a = np.arange(6)      # 其中order="C"、"F"、"A"分别代表不同读取顺序，   print(np.reshape(a, (2, 3), order='C'))   #[[0 1 2]    [3 4 5]]   print(np.reshape(a, (2, 3), order='F'))   #[[0 2 4]    [1 3 5]]   print(np.reshape(a, (2, 3), order='A'))   #[[0 1 2]    [3 4 5]]

(9). 弄清楚torch.transpose(tensor,dim0,dim1)和torch.permute(dim0, dim1, dim2, dim3)

两者均代表矩阵的转置，在二维的时候很容易想明白转置之后的情况，但是高维度的时候就糊涂了。举个例子：

arr = torch.arange(16)   arr = arr.reshape(2,2,4)   # tensor([[[ 0,  1,  2,  3],            [ 4,  5,  6,  7]],           [[ 8,  9, 10, 11],            [12, 13, 14, 15]]])   arr = arr.transpose(1,2)   # tensor([[[ 0,  4],            [ 1,  5],            [ 2,  6],            [ 3,  7]],              [[ 8, 12],            [ 9, 13],            [10, 14],            [11, 15]]])

上面这个三维数组例子，我定义为（batch，H，W），transpose(1,2)等效于长和宽转置。类似这样的例子我们已经练习过很多次了。

不过如何理解arr.transpose(0,1)?，batch和H维度转置没有物理含义。这需要借用矩阵stride概念来理解。

详解见:https://www.bilibili.com/video/BV1pN4y117rD

(10). torch.cat 和 torch.stack的区别

(11). 以及一些常用的数学计算公式torch.rsqrt、tensor.pow、torch.mean等等

二、大模型原理理解

整体要干什么？

简单来说通过基于Transformer架构预测下一个词出现的概率。就不放Attention is all you Need论文里的图了。我这里放一张llama3-8B的网络架构图。这个网络架构里的每一个模块，你都能手写出来，就算是大模型原理这一块入门了。

建议学习网络架构的时候带着问题去学习，不要局限于矩阵中的元素怎么乘，pytorch语法只是工具，真正需要做的是思考为什么这样做以及背后的数学含义。下面分享一下我亲身学习大模型原理中思考的一些问题，希望对大家有帮助。

1.自注意力机制的理解

了解单头注意力机制，什么是K矩阵、V矩阵和Q矩阵，以及如下公式为什么要除
分析为什么在注意力机制中要加入mask？
分析attention is all you need这篇文章中的多头注意力机制（MHA），分析为什么要多头？单头注意力机制为什么不行？
分析为什么要搞Grouped-query Attention（GQA），它相比MHA的好处在哪里？以及应用在哪些方面。

上面四点弄明白，对于注意力机制差不多算入门了。

2.位置编码的理解

Transformer架构为什么需要位置编码？它解决了常规NLP网络架构中的什么问题
绝对位置编码和相对位置编码，他们各有什么优点和缺点
为什么现在大模型都在用旋转位置编码RoPE？它在实数域和复数域的实现方式是怎样的？RoPE的缺点有哪些？顺带可以了解下最新的上下文位置编码CoPE。
大模型为什么有Long-Context问题以及如何利用位置编码去解决长文本问题？

3.前馈网络（feed forwad）的理解

为什么需要前馈网络？
为什么llama3要使用SwiGLU？

4.归一化（normalization ）

为什么需要归一化？
batch normalization 、layer normalization有什么区别？为什么语言模型用layer normalization，不去用batch normalization？
详细理解layer normalization中RMS Norm，分析其相比常规layer normalization的优势。