AI大模型算法-从大模型原理剖析到训练(微调)落地实战（包更新）

.
├── 第1章 课程导学与环境介绍/
│   ├── [235M]  1-1课程介绍与安排【不要错过】
│   ├── [183M]  1-2为什么在AI时代要学习大模型及其相关的理论知识
│   ├── [125M]  1-3中国开发者学习DeepSeek的意义
│   ├── [117M]  1-4大模型常用学习资源与模型下载
│   ├── [208M]  1-5Anaconda介绍及安装
│   ├── [100M]  1-6pycharm安装级连接远程服务器
│   └── [188M]  1-7按图索骥AI技术全景介绍
├── 第2章 【小试牛刀】DeepSeek认知与体验/
│   ├── [173M]  2-1ChatGPT的诞生和DeepSeek的追赶
│   ├── [164M]  2-2DeepSeek能力体验与大模型的影响
│   ├── [159M]  2-3小试牛刀1-基于DeepSeek结合提示工程搭建功能强大的翻译机
│   └── [190M]  2-4小试牛刀2-几行代码实现DeepSeek蒸馏模型私有化部署实战
├── 第3章 【大模型理论】DeepSeek的诞生之路/
│   ├── [ 22M]  3-1自然语言处理解决的是什么问题
│   ├── [ 26M]  3-2规则和统计学的方法
│   ├── [ 35M]  3-3为什么要使用词向量以及向量表示的作用
│   ├── [ 84M]  3-4如何获得一份表示良好的词向量？
│   ├── [ 16M]  3-5词向量的价值
│   ├── [172M]  3-6小试牛刀词向量实战
│   ├── [104M]  3-7预训练模型
│   └── [128M]  3-8小试牛刀预训练模型实战
├── 第4章 【特征编码器Transformer】深入理解大模型的输入输出/
│   ├── [ 41M]  4-1大模型的文本切分与Token
│   ├── [ 80M]  4-2大模型的Tokenizer
│   ├── [ 73M]  4-3深入理解Tokenizer的作用及影响
│   ├── [ 42M]  4-4【小试牛刀】Tokenizer实战
│   ├── [ 63M]  4-5深入理解BPE算法训练和编码过程
│   ├── [191M]  4-6【实战】手撸BPE算法训练代码
│   ├── [ 48M]  4-7初步了解大模型中的位置编码
│   ├── [ 21M]  4-8大模型的输出流程介绍
│   ├── [ 80M]  4-9大模型解码原理详细介绍
│   ├── [114M]  4-10【实战】寻找大模型最佳推理参数实战（一）
│   └── [111M]  4-11【实战】寻找大模型最佳推理参数实战（二）
└── 第5章 【特征编码器Transformer】深入Transfomer中的注意力机制/
    ├── [132M]  5-1Transformer基础知识准备
    ├── [244M]  5-2【实战】手撸LayerNorm代码
    ├── [152M]  5-3【实战】手撸softmax代码
    ├── [124M]  5-4深入理解注意力机制
    ├── [ 37M]  5-5掩码自注意力机制
    ├── [ 34M]  5-6多头注意力机制
    ├── [126M]  5-7【实战】手撸attention机制代码
    ├── [121M]  5-8【实战】手撸masked_self_attention
    ├── [115M]  5-9【实战】手撸MaskedMultiHeadAttention代码（1）
    └── [110M]  5-10【实战】手撸MaskedMultiHeadAttention代码（2）