想学习人工智能大模型吗？但不知道如何开始？教你一招熟练掌握人工智能大模型相关的技术！

为了摆脱只是跟着教程学习，你需要亲自动手，从头开始编写算法，动手实践，并通过使用人工智能解决问题来做一些有趣的边项目。这篇文章试图创建一份免费的课程路径，希望对大家学习有帮助。（注意：有大量教程、书籍、论文和资源都是英文的，请配合 AI 翻译工具来阅读吧。）

自上而下的方法

这份课程采用自上而下的方法——先编码，后理论。

建议大家在必要时才进行学习。即，如果我需要解决某个问题或制作一个原型，我会四处寻找所需的信息，学习、理解然后进行实践。

例如，我目标是成为一个从根本上理解大型语言模型（LLM）的AI工程师，这包括从头编码变换器的技能和在GPU上微调LLM等。我现在还做不到，因为我的知识有缺口，我希望填补这些缺口。

在我给你推荐一堆链接之前，还有两个学习过程中的建议：不要闷头自学。

学无止境，尤其是在人工智能领域，每个月都有前沿的论文发布。

最大的错误是自己闷头学习。除了能完成了某些事之外，你没有任何成果可展示。这样你会错失很多机会。更重要的是你如何处理这些信息，如何将其转化为可以与公众分享的知识，以及从这些信息中产生了什么新颖的想法和解决方案。

因此，你应该在公开你的学习进展，学习经验，甚至是一些成果。

这意味着要养成创造的习惯。这可能意味着，你尝试做这些事情：

• 写博客和教程
• 参加黑客马拉松并与他人合作
• 在社区中提问和回答问题
• 做你感兴趣的项目
• 在一些社交媒体上发表你新发现的有趣的事

现在我们开始吧。

算法学习

机器学习严重依赖三大数学支柱：线性代数、微积分、概率与统计。每个都在算法有效运行中扮演着独特的角色。

• 线性代数：数据表示和操作的数学工具箱，矩阵和向量构成算法解释和处理信息的语言。
• 微积分：机器学习中优化的引擎，通过理解梯度和变化率，使算法能够学习和改进。
• 概率与统计：在不确定性下做决策的基础，允许算法通过随机性和可变性的模型预测结果并从数据中学习。

这是一套从程序员视角出发的机器学习数学系列：由Weights & Biases提供的《机器学习的数学》（github 地址）

如果你想从代码角度学习线性代数，可以学习fast.ai创造者的《计算线性代数》（github 地址）。

同时阅读《Python应用机器学习线性代数入门》。

如果你想要更传统的内容，可以看伦敦帝国学院的讲座——线性代数与多变量微积分。（这两个视频，在国内视频网站中没有搜到，大家可以自己跳转去看）

观看3Blue1Brown的《线性代数的本质》和《微积分的本质》。

为了学习统计学，观看StatQuest的《统计学基础》。

补充资料：

• 书籍：《机器学习的数学》
• 论文：《深度学习所需的矩阵微积分》

工具

Python

初学者从这里开始：实用Python编程。当然，B 站上也有清华北大整理的 Python 教程，也不错，大家可以自己搜索。

如果你已经熟悉Python，可以学习这个高级Python精通课程。

这两个课程都是由David Beazley（《Python Cookbook》的作者）提供的。

阅读《Python设计模式》。

补充资料

• 书籍：《流畅的Python，第二版》（Github 地址）
• 播客：Real Python & Talk Python

PyTorch

PyTorch官网是一个很好的资源。

• PyTorch示例
• 官方PyTorch教程
• 常见问题解答页面
• 通过一些谜题测试你的知识：srush/Tensor-Puzzles：解决谜题。提升你的PyTorch技能。

补充资料

• 书籍：《深度学习的PyTorch编程》

机器学习

阅读《100页机器学习书》。

从头编写

在阅读时，从头开始编写算法。

查看下面的代码库：

• eriklindernoren/ML-From-Scratch
• JeremyNixon/oracle
• trekhleb/homemade-machine-learning

如果你想要挑战自己，可以通过以下课程尝试从头开始编写PyTorch。

• MiniTorch：一个关于机器学习工程的DIY课程（Github 地址）

参加比赛

将所学应用于竞赛。

• 在 bitgrit 和 Kaggle 等平台上参加机器学习竞赛；在这篇文章中，你可以找到更多类似竞赛。
• 查看过去参与竞赛的获胜解决方案，并学习它们

做一些小项目

例如阅读Vicki Boykis撰写的《将机器学习投入生产》。她还写了关于构建Viberary（一种图书的语义搜索）的学习经验。

获取数据集并构建模型（例如，使用earthaccess获取NASA地球数据）。你也可以尝试一些已经开源的模型，从部署、训练到微调。如果你缺少合适的 GPU 资源，还有硬件资源，你可以尝试使用 Paperspace 这样的 GPU 云来解决。（中文介绍）

部署它们

将模型投入生产环境，并跟踪你的实践成果。学习如何监控模型。亲身体验数据和模型的变化。

以下是一些优秀资源：

• Made With ML
• DataTalksClub/mlops-zoomcamp：免费的MLOps课程
• chiphuyen/machine-learning-systems-design
• Evidently AI — ML系统设计：300个案例研究
• stas00/ml-engineering：机器学习工程在线书籍

补充资料

• 使用PyTorch和Scikit-Learn的机器学习（Github 地址）
• 机器学习中的模型评估、模型选择和算法选择
• 机器学习面试入门书籍·MLIB

深度学习

如果你想从上而下开始，先从fast.ai开始。你可以浏览fast.ai (第一部分, 第二部分) ，以及 W&B学习小组。

如果你想要一个更全面、传统的课程，查看UNIGE 14x050 — François Fleuret教授的深度学习。

如果你需要在某个时候回归理论，这些书籍很棒：

• 深入深度学习（包含PyTorch、NumPy/MXNet、JAX和TensorFlow的代码示例）
• 《深度学习》，这本书的作者是Ian Goodfellow, Yoshua Bengio和Aaron Courville
• 神经网络和深度学习
• 理解深度学习

在你的神经网络收敛时阅读这些：

• 训练神经网络的配方
• 深度神经网络：33年前和33年后

参加更多比赛：

• PlantTraits2024 — FGVC11 | Kaggle（计算机视觉）

一些值得推荐的论文：

• 查看labml.ai注释的PyTorch论文实现
• Papers with Code是一个很好的资源；这里有关于BERT的解释。

以下是深度学习内部一些专业领域的资源：

计算机视觉

• 很多人推荐CS231n：计算机视觉的深度学习。它很有挑战性，但如果你能坚持下来，会发现很值得一读。

强化学习

对于想要了解强化学习的人来讲，这两个资源很值得看：

• OpenAI的Spinning Up in Deep RL
• Hugging Face的深度强化学习课程

自然语言处理（NLP）

• 另一个很棒的斯坦福课程，CS 224N | 自然语言处理与深度学习
• 学习Hugging Face：Hugging Face NLP课程
• 查看这个超级NLP仓库

一些好文章和解析，其中一些插图版本的内容会更加生动易懂：

• BERT研究 — 第1集 — 关键概念和来源Chris McCormick
• 插图版Word2vec — Jay Alammar
• 插图版BERT, ELMo等（NLP如何破解迁移学习）
• 理解LSTM网络 — colah的博客
• 从头开始的PyTorch RNN — Jake Tae

补充资料：

• 使用变换器的自然语言处理书籍

大型语言模型

首先，观看由Andrej主讲的1小时演讲《大型语言模型入门》。接着观看由Alexander Rush — Cornell Tech主讲的《五个公式中的大型语言模型》（暂时没有在国内视频网站看到过这个资源）。

同时，还推荐观看Andrej Karpathy的《神经网络：从零到英雄》。它从解释和从头编写反向传播算法开始，最后教你从头编写GPT。Andrej Karpathy最近发布了新视频 ：让我们来构建GPT的分词器（这个视频也没有在国内视频网站上搜到）。

另外，你还可以看看Jay Mody的《60行NumPy代码中的GPT》。

一些免费的LLM训练营

由Full Stack Deep Learning发布的付费LLM训练营，现已免费。它会教你提示工程、LLMOps、LLM的用户体验设计，以及如何在一小时内启动LLM应用。

如果你已经跃跃欲试想要在训练营后开始构建，那你看看这些资源，学习如何使用LLM构建应用：

• 观看由Andrew Ng主讲的《使用大型语言模型进行应用开发》
• 阅读Huyen Chip的《为生产环境构建LLM应用》
• 以及Eugene Yan的《构建基于LLM的系统和产品的模式》
• 参考OpenAI Cookbook。
• 使用Vercel AI模板开始。

当然，还推荐你参加一些黑客马拉松，练练手。lablab.ai每周都有新的AI黑客马拉松。

如果你想深入理论并了解一切如何运作。那么可以阅读论文：

• Sebastian Raschka撰写的《理解大型语言模型》是一篇很棒的文章，列出了你应该阅读的一些论文。
• 他最近还发表了另一篇文章，介绍了你应该在2024年1月阅读的论文，涵盖了mistral模型。

从头编写变换器

• 阅读Lil’Log的《变换器家族2.0》以获取概览。
• 选择最适合你的格式，并从头开始实现。

论文

• 需要关注的焦点
• 用漫画讲变换器
• Harvard的注释变换器
• 像变换器一样思考

博客

• 从头开始创建变换器 — 第一部分：注意力机制（第二部分）
• Sebastian Raschka博士撰写的《从头开始理解和编码大型语言模型的自我注意机制》
• 从头开始的变换器

看完这些，现在你可以从头开始编码变换器了。但还有更多。

一些好的博客

• Gradient Descent into Madness — 从头构建一个LLM
• 插图变换器 — Jay Alammar
• 关于注意力和变换器的一些直觉 — Eugene Yan
• 加速GPT — KV缓存 | Becoming The Unbeatable
• 超越自我注意：一个小型语言模型如何预测下一个标记
• 从头开始的Llama（或如何在不哭泣的情况下实现一篇论文）| Brian Kitano
• 改进LoRA：从头开始实现权重分解的低秩适应（DoRA）

学习如何运行开源模型

• 使用ollama：在本地启动并运行Llama 2、Mistral和其他大型语言模型。他们最近发布了Python和JavaScript库。
• 在 H100 上运行 MosaicML 模型并进行微调

提示工程

• 阅读Lil’Log的《提示工程》
• 由Ise Fulford (OpenAI)和Andrew Ng撰写的ChatGPT提示工程

另外，DeepLearning.ai还提供了其他你可以免费注册的短期课程。

微调LLM

• 阅读Hugging Face的微调指南。
• 一本好的指南书：微调 — GenAI指南书

RAG

• Anyscale撰写的一篇很棒的文章：为生产构建基于RAG的LLM应用
• 由Aman Chadha提供的检索增强生成的全面概述

上手实践

千万不要忘了我们在最开始说的，一定要多动手实践，在实践过程中，你会发现自己的知识盲区，然后学习会更有动力。

如果你手上没有合适的 GPU 或电脑设备能让你去运行那些大语言模型，那么你可以考虑使用 GPU 云服务，比如 DigitalOcean 的 Paperspace 平台（这里有中文介绍），支持包括 H100、A100、V100 等多种 GPU，并预装机器学习常用的技术栈（包括语言、工具、框架等）。随时扩展，按需停止，只需按使用量付费。相比自建服务器、租赁 GPU，你会发现 GPU 云服务也是个不错的选择。

如何保持知识更新

学到这里，你要做的更多的就是保持自己能得到更多新的资讯、知识，了解当前AI 行业中又有哪些新模型、新论文。所以你可以通过结合新闻、播客，在社交平台上关注一些博主，来保证得到最新的信息。

我们已经花了足够的时间编写和组织这些内容，以至于收益递减。现在是时候学习和构建了。希望这能帮助你在AI旅程中前行！

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。