GitHub斩获 19.9k 星！免费！从零开始系统学习大语言模型，大模型入门到精通，收藏这篇就足够了！

GPT、Deepseek、豆包、文心等，这些大模型你是否也天天刷到，只是浅浅的使用，你是否想要深入了解呢？是否想从零开始系统学习大语言模型？

GitHub宝藏多，最近发现了一个超级神器，是Datawhale出品的免费开源项目 happy-llm，这个项目在几个月内就斩获了19.9k Star。

happy-llm就是你一直在找的保姆级教程！覆盖了从原理到实践的全过程，手把手带你进入LLM（大模型）的奇妙世界。是一个系统性的 LLM 学习教程，将从 NLP 的基本研究方法出发，根据 LLM 的思路及原理逐层深入，依次为读者剖析 LLM 的架构基础和训练过程。同时，我们会结合目前 LLM 领域最主流的代码框架，演练如何亲手搭建、训练一个 LLM，期以实现授之以鱼，更授之以渔。希望大家能从这本书开始走入 LLM 的浩瀚世界，探索 LLM 的无尽可能。

会收获什么呢？

📚 Datawhale 开源免费 完全免费的学习本项目所有内容
🔍 深入理解 Transformer 架构和注意力机制
📚 掌握预训练语言模型的基本原理
🧠 了解现有大模型的基本结构
🏗️ 动手实现 一个完整的 LLaMA2 模型
⚙️ 掌握训练 从预训练到微调的全流程
🚀 实战应用 RAG、Agent 等前沿技术

学习路径

happy-llm分为两部分：基础知识与实战应用。

第1章～第4章是基础知识部分，从浅入深介绍 LLM 的基本原理。其中，第1章简单介绍 NLP 的基本任务和发展，为非 NLP 领域研究者提供参考；第2章介绍 LLM 的基本架构——Transformer，包括原理介绍及代码实现，作为 LLM 最重要的理论基础；第3章整体介绍经典的 PLM，包括 Encoder-Only、Encoder-Decoder 和 Decoder-Only 三种架构，也同时介绍了当前一些主流 LLM 的架构和思想；第4章则正式进入 LLM 部分，详细介绍 LLM 的特点、能力和整体训练过程。

第5章～第7章是实战应用部分，将逐步带领大家深入 LLM 的底层细节。其中，第5章将带领大家者基于 PyTorch 层亲手搭建一个 LLM，并实现预训练、有监督微调的全流程；第6章将引入目前业界主流的 LLM 训练框架 Transformers，带领学习者基于该框架快速、高效地实现 LLM 训练过程；第7章则将介绍基于 LLM 的各种应用，补全学习者对 LLM 体系的认知，包括 LLM 的评测、检索增强生成（Retrieval-Augmented Generation，RAG）、智能体（Agent）的思想和简单实现。

github开源地址：https://github.com/datawhalechina/happy-llm

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇