尚硅谷大模型线上同步班（多期资源）

课程简介

课程定位：工程化落地而非原理科普这套资料的核心价值不在于讲解大模型背后的数学原理或注意力机制，而是一门专注“如何把模型用起来”的工程化实战课。从代码结构中的预处理、配置管理、训练调度等模块可以看出，课程旨在解决一个具体的业务闭环：如何利用开源大模型，完成从数据清洗、格式转换到微调训练、最终预测上线的完整流程。这意味着课程内容高度聚焦于实践。它剥离了复杂…

已有 0 人浏览发布 2026-10-13 更新 2026-10-13

课程定位：工程化落地而非原理科普

这套资料的核心价值不在于讲解大模型背后的数学原理或注意力机制，而是一门专注“如何把模型用起来”的工程化实战课。从代码结构中的预处理、配置管理、训练调度等模块可以看出，课程旨在解决一个具体的业务闭环：如何利用开源大模型，完成从数据清洗、格式转换到微调训练、最终预测上线的完整流程。

这意味着课程内容高度聚焦于实践。它剥离了复杂的算法推导，转而关注代码层面的实现细节。如果你仅希望学习如何编写提示词来调用 API 接口，这门课可能过于底层；但如果你想深入理解 LLM 在实际工作流（如智能商品发布、自动化内容生成）中是如何被集成、定制和部署的，这里的资源提供了极具参考价值的工程范本。

入门门槛与学习路径建议

学习本课程需要一定的编程基础。建议具备 Python 基础语法能力，熟悉 Linux 环境下的常用命令操作。若之前接触过 Hugging Face 生态库（如 transformers、datasets）或有过 PyTorch 简单的模型构建经验，理解速度会更快。对于完全零基础、缺乏代码编写能力的转行者，直接上手可能会遇到较大的技术阻碍。

资料配合方面，建议遵循“文档概览、代码深挖、项目复现”的顺序。首先通读配套的技术文档，建立对智能商品发布这一业务场景的整体认知，明确各模块的功能边界。随后，重点分析源码中的核心逻辑：关注数据预处理部分，学习如何将非结构化的原始数据转化为模型可理解的格式；研读配置模块，理解参数管理的良好实践；最后深入训练脚本，掌握微调任务的具体参数设置与执行逻辑。

学完能独立胜任的工作场景

完成本套资料的学习后，你将不再局限于使用现成的 AI 工具，而是具备独立搭建基于开源大模型的应用系统的能力。具体而言，你可以独立完成业务数据的清洗与格式化工作，能够根据实际需求配置并运行模型微调任务，并能够封装基础的预测接口以接入实际业务。

这种能力对于希望从事 AI 应用开发、大模型后端工程化落地岗位的职场人士具有实质性的帮助。它填补了从“调用 API”到“自建模型服务”之间的能力空白，让你在面对复杂的业务需求时，有能力通过定制化微调来解决通用模型无法覆盖的垂直领域问题。

课程目录

📁 尚硅谷大模型260318线上同步
📁 11_尚硅谷大模型项目之智能商品发布
📁 1.笔记
尚硅谷大模型技术之智能商品发布1.0.0.docx [881.8 KB]
📁 3.代码
📁 4.视频
📁 day01
📁 src
📁 web
__init__.py
📁 preprocess
📁 __pycache__
__init__.cpython-312.pyc [151.0 B]
dataset.cpython-312.pyc [1.5 KB]
process.py [1.9 KB]
__init__.py
dataset.py [1.1 KB]
📁 configuration
📁 __pycache__
__init__.cpython-312.pyc [154.0 B]
config.cpython-312.pyc [639.0 B]
__init__.py
config.py [459.0 B]
📁 runner
📁 __pycache__
train.cpython-312.pyc [469.0 B]
__init__.cpython-312.pyc [147.0 B]
predict.cpython-312.pyc [407.0 B]
predict.py [120.0 B]
train.py [7.9 KB]
__init__.py
main.py [78.0 B]
📁 上午代码
📁 src
📁 configuration
📁 __pycache__
config.cpython-312.pyc [639.0 B]
__init__.cpython-312.pyc [154.0 B]
__init__.py
config.py [459.0 B]
📁 preprocess
📁 __pycache__
dataset.cpython-312.pyc [1.5 KB]
__init__.cpython-312.pyc [151.0 B]
dataset.py [1.1 KB]
__init__.py
process.py [1.7 KB]
📁 runner
📁 __pycache__
__init__.cpython-312.pyc [147.0 B]
train.cpython-312.pyc [469.0 B]
predict.cpython-312.pyc [407.0 B]
predict.py [120.0 B]
train.py [4.6 KB]
__init__.py
📁 web
__init__.py
main.py [78.0 B]
📁 pretrained
📁 bert-base-chinese
vocab.txt [107.0 KB]
tokenizer_config.json [49.0 B]
tokenizer.json [262.6 KB]
model.safetensors [392.5 MB]
📁 bert-base-chinese
config.json [624.0 B]
📁 data
📁 raw
train.txt [4.4 MB]
test.txt [1.1 MB]
valid.txt [1.1 MB]
📁 processed
📁 train
data-00000-of-00001.arrow [8.4 MB]
state.json [319.0 B]
dataset_info.json [1.1 KB]
📁 test
dataset_info.json [1.1 KB]
data-00000-of-00001.arrow [2.1 MB]
state.json [318.0 B]
📁 valid
data-00000-of-00001.arrow [2.1 MB]
dataset_info.json [1.1 KB]
state.json [319.0 B]
dataset_dict.json [38.0 B]
📁 models
config.json [2.7 KB]
labels.txt [297.0 B]
model.safetensors [390.2 MB]
📁 logs
07-训练（上）.mp4 [85.9 MB]
05-数据预处理（下）.mp4 [37.2 MB]
03-主程序入口介绍.mp4 [30.2 MB]
11-早停逻辑梳理.mp4 [35.8 MB]
15-process问题解决.mp4 [28.9 MB]
04-数据预处理（上）.mp4 [66.2 MB]
01-项目概述.mp4 [17.3 MB]
09-训练（下）.mp4 [69.8 MB]
10-上午内容回顾.mp4 [24.1 MB]
08-训练（中）.mp4 [45.0 MB]
14-早停判断.mp4 [55.7 MB]
12-验证评估.mp4 [45.8 MB]
13-评估函数.mp4 [52.5 MB]
02-项目目录结构.mp4 [20.6 MB]
📁 day02
📁 上午代码
📁 web
__init__.py
📁 runner
📁 __pycache__
train.cpython-312.pyc [12.2 KB]
__init__.cpython-312.pyc [147.0 B]
predict.cpython-312.pyc [407.0 B]
📁 2026-05-30_11-50-01
events.out.tfevents.1780113001.DESKTOP-9HVFG1E.15996.0 [88.0 B]
predict.py [1.9 KB]
train.py [10.4 KB]
evaluate.py [1.6 KB]
__init__.py
📁 configuration
📁 __pycache__
config.cpython-312.pyc [688.0 B]
__init__.cpython-312.pyc [154.0 B]
__init__.py
config.py [508.0 B]
📁 preprocess
📁 __pycache__
__init__.cpython-312.pyc [151.0 B]
dataset.cpython-312.pyc [1.5 KB]
process.py [1.9 KB]
__init__.py
dataset.py [1.1 KB]
main.py
📁 下午代码
📁 configuration
📁 __pycache__
config.cpython-312.pyc [688.0 B]
__init__.cpython-312.pyc [154.0 B]
config.py [508.0 B]
__init__.py
📁 runner
📁 2026-05-30_11-50-01
events.out.tfevents.1780113001.DESKTOP-9HVFG1E.15996.0 [88.0 B]
📁 __pycache__
train.cpython-312.pyc [12.5 KB]
__init__.cpython-312.pyc [147.0 B]
predict.cpython-312.pyc [3.0 KB]
__init__.py
predict.py [1.9 KB]
train.py [10.4 KB]
evaluate.py [1.6 KB]
📁 preprocess
📁 __pycache__
__init__.cpython-312.pyc [151.0 B]
dataset.cpython-312.pyc [1.5 KB]
process.cpython-312.pyc [2.6 KB]
__init__.py
process.py [1.9 KB]
dataset.py [1.1 KB]
📁 web
📁 __pycache__
service.cpython-312.pyc [783.0 B]
schemas.cpython-312.pyc [655.0 B]
app.cpython-312.pyc [1.8 KB]
__init__.cpython-312.pyc [144.0 B]
service.py [230.0 B]
__init__.py
schemas.py [184.0 B]
app.py [1.1 KB]
main.py [985.0 B]
05-评估.mp4 [37.9 MB]
02-混合精度训练.mp4 [119.1 MB]
01-复习回顾.mp4 [135.5 MB]
04-预测.mp4 [58.6 MB]
08-租用远程服务器训练模型.mp4 [78.1 MB]
06-web模块.mp4 [76.0 MB]
03-检查点设置.mp4 [114.5 MB]
07-主程序入口.mp4 [35.4 MB]
项目概述.txt [922.0 B]
📁 2.资料
📁 混合精度
各个精度对比图.png [36.2 KB]
fp16和bf16.png [37.5 KB]
IEEE754标准.png [4.7 KB]
📁 评估指标相关
点击f1_score查看average参数.png [139.0 KB]
进入用户指南后看模型选择与评估.png [178.5 KB]
进入3.3.2分类指标.png [207.5 KB]
找到多分类任务两个对应的评估指标（这里重点关注f1）.png [178.6 KB]
scikit-learn中文网首页.png [669.0 KB]
📁 1.数据集
test.txt [1.1 MB]
valid.txt [1.1 MB]
train.txt [4.4 MB]
📁 2.模型
📁 bert-base-chinese
vocab.txt [107.0 KB]
tokenizer_config.json [49.0 B]
config.json [624.0 B]
… 其余 17661 项略，目录共 17861 项

尚硅谷大模型线上同步班（ 多期资源）

课程定位：工程化落地而非原理科普

入门门槛与学习路径建议

学完能独立胜任的工作场景

课程目录

尚硅谷大模型线上同步班（多期资源）