136 lines
3.5 KiB
Markdown
136 lines
3.5 KiB
Markdown
# Happy LLM
|
||
|
||
## 大纲
|
||
|
||
### 第一章 NLP 基础概念 志学 Done
|
||
- 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 基础架构-Transformer 雨衡 Done
|
||
- 2.1 注意力机制
|
||
- 2.1.1 注意力机制详解
|
||
- 2.1.2 自注意力与多头注意力
|
||
- 2.1.3 注意力掩码与因果注意力
|
||
- 2.2 Encoder-Decoder
|
||
- 2.2.1 Seq2Seq 模型
|
||
- 2.2.2 Encoder
|
||
- 2.2.3 Decoder
|
||
- 2.3 Transformer
|
||
- 2.3.1 Transformer 结构总览
|
||
- 2.3.2 Tokenizer 与 Embedding 层
|
||
- 2.3.3 位置编码
|
||
- 2.3.4 Transformer 中的其他结构
|
||
|
||
### 第三章 预训练语言模型
|
||
- 3.1 Encoder-Only PLM 雨衡 Done
|
||
- 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 志学
|
||
- 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
|
||
- 3.3.4 BaiChuan
|
||
- 3.3.5 Qwen
|
||
- 3.3.6 Mistral
|
||
- 3.3.7 MiniCPM
|
||
- 3.3.8 Mixtral-8*7B
|
||
- （1）模型架构：MoE
|
||
- （2）MoE 架构的核心优势
|
||
|
||
### 第四章 大语言模型 雨衡 Done
|
||
- 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 训练 LLM 的三个阶段
|
||
- 4.2.1 Pretrain
|
||
- 4.2.2 SFT
|
||
- 4.2.3 RLHF
|
||
|
||
### 第五章 预训练一个 LLM 志学 Done
|
||
- 5.1 模型架构-LLaMA Done
|
||
- 5.1.1 LLaMA Attention
|
||
- 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 微调 LLM
|
||
- 6.1 微调数据
|
||
- 6.1.1 指令数据集
|
||
- 6.1.2 微调数据处理
|
||
- 6.2 SFT
|
||
- 6.3 微调其他 LLM 的通用流程
|
||
- 6.4 高效微调-LoRA
|
||
- 6.4.1 LoRA 原理（注：深入浅出 LoRA）
|
||
- 6.4.2 实践 LoRA 微调
|
||
|
||
### 第七章 RLHF
|
||
- 7.1 RM 训练
|
||
- 7.2 PPO 训练
|
||
- 7.3 RLHF 的平替版本-DPO
|
||
|
||
### 第八章 LLM 应用
|
||
- 8.1 LLM 的评测
|
||
- 8.1.1 LLM 的评测方法
|
||
- 8.1.2 主流的评测榜单
|
||
- 8.1.3 特定的评测榜单
|
||
- 8.2 Prompt Engineering（注：吴恩达课程）
|
||
- 8.2.1 上下文学习
|
||
- 8.2.2 思维链
|
||
- 8.2.3 Prompt 的迭代优化
|
||
- 8.3 RAG （注：志学-TinyRAG）
|
||
- 8.3.1 RAG 的基本原理
|
||
- 8.3.2 搭建一个 RAG 框架
|
||
- 8.4 Agent
|
||
- 8.4.1 Agent 的基本原理
|
||
- 8.4.2 搭建一个 Multi-Agent 框架
|