doc: 更新readme目录

README.md

@@ -2,130 +2,125 @@
 
 ## 大纲
 
-### 第一章 NLP 基础概念 志学 Done
+### 第一章 NLP 基础概念
-  - 1.1 什么是 NLP
+- 1.1 什么是 NLP
-  - 1.2 NLP 发展历程
+- 1.2 NLP 发展历程
-  - 1.3 NLP 任务
+- 1.3 NLP 任务
-    - 1.3.1 中文分词
+  - 1.3.1 中文分词
-    - 1.3.2 子词切分
+  - 1.3.2 子词切分
-    - 1.3.3 词性标注
+  - 1.3.3 词性标注
-    - 1.3.4 文本分类
+  - 1.3.4 文本分类
-    - 1.3.5 实体识别
+  - 1.3.5 实体识别
-    - 1.3.6 关系抽取
+  - 1.3.6 关系抽取
-    - 1.3.7 文本摘要
+  - 1.3.7 文本摘要
-    - 1.3.8 机器翻译
+  - 1.3.8 机器翻译
-    - 1.3.9 自动问答
+  - 1.3.9 自动问答
-  - 1.4 文本表示的发展历程
+- 1.4 文本表示的发展历程
-    - 1.4.1 词向量
+  - 1.4.1 词向量
-    - 1.4.2 语言模型
+  - 1.4.2 语言模型
-    - 1.4.3 Word2Vec
+  - 1.4.3 Word2Vec
-    - 1.4.4 ELMo
+  - 1.4.4 ELMo
 
-### 第二章 基础架构-Transformer 雨衡 Done
+### 第二章 Transformer 架构
-  - 2.1 注意力机制 
+- 2.1 注意力机制
-    - 2.1.1 注意力机制详解
+  - 2.1.1 什么是注意力机制
-    - 2.1.2 自注意力与多头注意力
+  - 2.1.2 深入理解注意力机制
-    - 2.1.3 注意力掩码与因果注意力
+  - 2.1.3 注意力机制的实现
-  - 2.2 Encoder-Decoder
+  - 2.1.4 自注意力
-    - 2.2.1 Seq2Seq 模型
+  - 2.1.5 掩码自注意力
-    - 2.2.2 Encoder
+  - 2.1.6 多头注意力
-    - 2.2.3 Decoder
+- 2.2 Encoder-Decoder
-  - 2.3 Transformer 
+  - 2.2.1 Seq2Seq 模型
-    - 2.3.1 Transformer 结构总览
+  - 2.2.2 前馈神经网络
-    - 2.3.2 Tokenizer 与 Embedding 层
+  - 2.2.3 层归一化
-    - 2.3.3 位置编码
+  - 2.2.4 残差连接
-    - 2.3.4 Transformer 中的其他结构
+  - 2.2.5 Encoder
+  - 2.2.6 Decoder
+- 2.3 搭建一个 Transformer
+  - 2.3.1 Embeddng 层
+  - 2.3.2 位置编码
+  - 2.3.3 一个完整的 Transformer
 
-### 第三章 预训练语言模型 Partly Done
+### 第三章 预训练语言模型
-  - 3.1 Encoder-Only PLM
-    - 3.1.1 BERT
-      - （1）模型架构：Encoder Only
-      - （2）预训练任务
-      - （3）针对下游任务微调
-    - 3.1.2 RoBERTa
-    - 3.1.3 ALBERT
-  - 3.2 Encoder-Decoder PLM
-    - 3.2.1 T5
-      - （1）模型架构：Encoder-Decoder
-      - （2）预训练任务
-      - （3）大一统思想
-    - 3.2.2 BART
-    - 3.2.3 XLNet
-  - 3.3 Decoder-Only PLM
-    - 3.3.1 GPT
-      - （1）模型架构：Decoder Only
-      - （2）预训练任务
-      - （3）GPT 的发展历程
-    - 3.3.2 LLaMA
-      - （1）模型架构优化
-      - （2）预训练数据
-      - （3）LLaMA1 到 LLaMA2
-    - 3.3.3 ChatGLM
-      - （1）模型架构：Prefix-Decoder
-      - （2）预训练数据
-      - （3）ChatGLM 的发展历程
 
-### 第四章 大语言模型 雨衡 Done
+- 3.1 Encoder-only PLM
-  - 4.1 什么是 LLM 
+  - 3.1.1 BERT
-    - 4.1.1 LLM 的定义
+  - 3.1.2 RoBERTa
-    - 4.1.2 LLM 的能力
+  - 3.1.3 ALBERT
-    - 4.1.3 LLM 的特点
+- 3.2 Encoder-Decoder PLM
-  - 4.2 训练 LLM 的三个阶段
+  - 3.2.1 T5
-    - 4.2.1 Pretrain
+- 3.3 Decoder-Only PLM
-    - 4.2.2 SFT
+  - 3.3.1 GPT
-    - 4.2.3 RLHF
+  - 3.3.2 LLaMA
+  - 3.3.3 GLM
+  - 3.3.4 DeepSeek [WIP]
+     
+### 第四章 大语言模型
+
+- 4.1 什么是 LLM
+  - 4.1.1 LLM 的定义
+  - 4.1.2 LLM 的能力
+  - 4.1.3 LLM 的特点
+- 4.2 如何训练一个 LLM
+  - 4.2.2 Pretrain
+  - 4.2.3 SFT
+  - 4.2.4 RLHF
 
 ### 第五章 动手搭建大模型
-  - 5.1 模型架构-LLaMA Done
-    - 5.1.1 LLaMA Attentœion
-    - 5.1.2 LLaMA Decoder Layer
-    - 5.1.3 LLaMA MLP
-    - 5.1.4 LLaMA RMSNorm
-    - 5.1.5 A Whole LLaMA
-  - 5.2 训练 Tokenizer
-    - 5.2.1 Word-based Tokenizer
-    - 5.2.2 Character-based Tokenzier
-    - 5.2.3 Subword Tokenizer
-      - （1）BPE
-      - （2）Word Piece
-      - （3）Unigram
-    - 5.2.4 训练一个 Tokenizer
-  - 5.3 训练一个小型LLM
-    - 5.3.1 训练Tokenizer
-    - 5.3.2 数据预处理
-    - 5.3.3 训练模型
-    - 5.3.4 使用模型生成文本
 
-### 第六章 训练 LLM
+- 5.1 动手实现一个 LLaMA2 大模型
-  - 6.1 框架介绍
+  - 5.1.1 定义超参数
-    - 6.1.1 transformers
+  - 5.1.2 构建 RMSNorm
-    - 6.1.2 deepspeed
+  - 5.1.3 构建 LLaMA2 Attention
-    - 6.1.3 peft
+    - 5.1.3.1 repeat_kv
-    - 6.1.4 trl
+    - 5.1.3.2 旋转嵌入
-  - 6.2 LLM Pretrain
+    - 5.1.3.3 组装 LLaMA2 Attention
-    - 6.2.1 初始化 LLM
+  - 5.1.4 构建 LLaMA2 MLP模块
-    - 6.2.2 预训练数据处理
+  - 5.1.5 LLaMA2 Decoder Layer
-    - 6.2.3 使用 Trainer 进行预训练
+  - 5.1.6 构建 LLaMA2 模型
-  - 6.3 LLM SFT
+- 5.2 训练 Tokenizer
-    - 6.3.1 加载预训练模型
+  - 5.3.1 Word-based Tokenizer
-    - 6.3.2 微调数据处理
+  - 5.2.2 Character-based Tokenizer
-    - 6.3.3 使用 Trainer 进行微调
+  - 5.2.3 Subword Tokenizer
-  - 6.4 基于强化学习的偏好对齐
+  - 5.2.4 训练一个 Tokenizer
-    - 6.4.1 DPO 训练
+- 5.3 预训练一个小型LLM
-    - 6.4.2 KTO 训练
+  - 5.3.0 数据下载
-    - 6.4.3 GRPO 训练
+- 1 处理预训练数据
-  - 6.5 高效微调-LoRA
+- 2 处理SFT数据
-    - 6.5.1 LoRA 原理
+  - 5.3.1 训练Tokenize
-    - 6.5.2 使用 peft 进行 LoRA 微调
+  - 5.3.2 Dataset
+  - 5.3.3 预训练
+  - 5.3.4 SFT 训练
+  - 5.3.4 使用模型生成文本
+
+### 第六章 大模型训练流程实践
+
+- 6.1 模型预训练
+  - 6.1.1 框架介绍
+  - 6.1.2 初始化 LLM
+  - 6.1.3 预训练数据处理
+  - 6.1.4 使用 Trainer 进行训练
+  - 6.1.5 使用 DeepSpeed 实现分布式训练
+- 6.2 模型有监督微调
+  - 6.2.1 Pretrain VS SFT
+  - 6.2.2 微调数据处理
+- 6.3 高效微调
+  - 6.3.1 高效微调方案
+  - 6.3.2 LoRA 微调
+  - 6.3.3 LoRA 微调的原理
+  - 6.3.4 LoRA 的代码实现
+  - 6.3.5 使用 peft 实现 LoRA 微调
 
 ### 第七章 大模型应用
-  - 7.1 LLM 的评测
+
-    - 7.1.1 LLM 的评测方法
+- 7.1 LLM 的评测
-    - 7.1.2 主流的评测榜单
+  - 7.1.1 LLM 的评测数据集
-    - 7.1.3 特定的评测榜单
+  - 7.1.2 主流的评测榜单
-  - 7.2 RAG
+  - 7.1.3 特定的评测榜单
-    - 7.2.1 RAG 的基本原理
+- 7.2 RAG
-    - 7.2.2 搭建一个 RAG 框架
+  - 7.2.1 RAG 的基本原理
-  - 7.3 Agent
+  - 7.2.2 搭建一个 RAG 框架
-    - 7.3.1 Agent 的基本原理
+- 7.3 Agent
-    - 7.3.2 搭建一个 Multi-Agent 框架
+  - 7.3.1 什么是 LLM Agent？
+  - 7.3.2 LLM Agent 的类型
+  - 7.3.3 动手构造一个 Tiny-Agent