# Happy LLM ## 大纲 ### 第一章 NLP 基础概念 - 1.1 什么是 NLP - 1.2 NLP 发展历程 - 1.3 NLP 任务 - 1.3.1 中文分词 - 1.3.2 子词切分 - 1.3.3 词性标注 - 1.3.4 文本分类 - 1.3.5 实体识别 - 1.3.6 关系抽取 - 1.3.7 文本摘要 - 1.3.8 机器翻译 - 1.3.9 自动问答 - 1.4 文本表示的发展历程 - 1.4.1 词向量 - 1.4.2 语言模型 - 1.4.3 Word2Vec - 1.4.4 ELMo ### 第二章 Transformer 架构 - 2.1 注意力机制 - 2.1.1 什么是注意力机制 - 2.1.2 深入理解注意力机制 - 2.1.3 注意力机制的实现 - 2.1.4 自注意力 - 2.1.5 掩码自注意力 - 2.1.6 多头注意力 - 2.2 Encoder-Decoder - 2.2.1 Seq2Seq 模型 - 2.2.2 前馈神经网络 - 2.2.3 层归一化 - 2.2.4 残差连接 - 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 - 3.1 Encoder-only PLM - 3.1.1 BERT - 3.1.2 RoBERTa - 3.1.3 ALBERT - 3.2 Encoder-Decoder PLM - 3.2.1 T5 - 3.3 Decoder-Only PLM - 3.3.1 GPT - 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 动手实现一个 LLaMA2 大模型 - 5.1.1 定义超参数 - 5.1.2 构建 RMSNorm - 5.1.3 构建 LLaMA2 Attention - 5.1.3.1 repeat_kv - 5.1.3.2 旋转嵌入 - 5.1.3.3 组装 LLaMA2 Attention - 5.1.4 构建 LLaMA2 MLP模块 - 5.1.5 LLaMA2 Decoder Layer - 5.1.6 构建 LLaMA2 模型 - 5.2 训练 Tokenizer - 5.3.1 Word-based Tokenizer - 5.2.2 Character-based Tokenizer - 5.2.3 Subword Tokenizer - 5.2.4 训练一个 Tokenizer - 5.3 预训练一个小型LLM - 5.3.0 数据下载 - 1 处理预训练数据 - 2 处理SFT数据 - 5.3.1 训练Tokenize - 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 的评测数据集 - 7.1.2 主流的评测榜单 - 7.1.3 特定的评测榜单 - 7.2 RAG - 7.2.1 RAG 的基本原理 - 7.2.2 搭建一个 RAG 框架 - 7.3 Agent - 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