正版资源【手写AI】LLM大模型训练营2024【VIP】
这门课解决的是"想用自己的数据训练专属大模型"的问题。市面上大部分大模型应用都依赖别人现成的权重，但企业往往有私有数据、特定领域知识，想要微调出贴合自身业务的回答风格——LoRA、DeepSpeed、量化这些工具链，就是你要手动搭起来的东西。学完，你就能独立完成"数据准备→LoRA微调→推理部署"的
支付成功后自动发货，可在「我的订单」查看网盘链接；链接失效可联系客服免费补链。
这门课解决的是"想用自己的数据训练专属大模型"的问题。市面上大部分大模型应用都依赖别人现成的权重，但企业往往有私有数据、特定领域知识，想要微调出贴合自身业务的回答风格——LoRA、DeepSpeed、量化这些工具链，就是你要手动搭起来的东西。学完，你就能独立完成"数据准备→LoRA微调→推理部署"的完整流程。
适合什么基础
没有编程基础也能看，但建议至少会 Python 基础语法，理解 NumPy 和 PaddlePaddle/PyTorch 的基本概念。课程里大量出现环境安装、数据预处理、多卡配置，这些环节需要动手操作，纯看不动手会跟不上。如果你完全零基础，建议先花半天熟悉 PyTorch 的张量和训练循环概念，否则后面的 LoRA 训练部分会停留在"知道原理"而非"能跑通"的阶段。
建议先看哪几块
按学习顺序，优先看 LoRA 微调那一组（从环境搭建到训练到推理），这是整个课程的核心链路。Prompt 相关的内容（改写、抽取、角色扮演）可以放在中间学，理解提示工程对后续训练数据的质量把控很有帮助。DeepSpeed 多卡配置和 ChatGLM3 部分相对独立，可以根据实际工作需求决定学不学。
资料怎么配合练习
视频是主线，建议边看边在本地环境实操。LoRA 训练部分涉及 LLaMA2 权重下载和微调，看完后一定要跟着跑一遍自己的数据集，哪怕只有几十条问答，也要把训练和推理环节跑通。Prompt 任务建议直接对着做练习，比如自己改写一组抽取模板，对照课程示例找差异。DeepSpeed 那几节偏工程配置，如果你日常不用多卡训练，可以只看概述和单卡 demo 实例，跳过多机多卡配置部分。
- 动手前先搭好本地 PyTorch + CUDA 环境，LoRA 训练依赖 GPU 加速
- Prompt 任务建议自己准备一组测试数据，对照课程效果
- DeepSpeed 多卡配置属于进阶，单卡场景可按需跳过
课程目录
课程目录81 集
- 10_prompt_改写任务2_ev.mp4 72.24M
- 10-1.1_llama2任务简介.mp4 136.49M
- 10-1.2_rams数据处理_1.mp4 91.67M
- 10-1.2_rams数据处理_2.mp4 77.92M
- 10-1.3_lora原理部分介绍.mp4 40.01M
- 10-1.4_llama2环境安装以及部分bug排查.mp4 219.99M
- 10-1.5_lora训练.mp4 146.98M
- 10-1.6_lora推理部分_问题生成.mp4 135.53M
- 10-1.7_lora_推理_fewshot回答.mp4 58.79M
- 10-1.8_int8量化原理.mp4 57.00M
- 11_prompt_抽取任务1_ev.mp4 54.15M
- 12_prompt_抽取任务2_ev.mp4 90.33M
- 13_prompt角色扮演_ev.mp4 121.09M
- 14_prompt_数据制作1_ev.mp4 45.81M
- 15_prompt_数据制作2_ev.mp4 27.49M
- 16_prompt_数据制作3_ev.mp4 87.71M
- 17_prompt_数据制作4_ev.mp4 122.38M
- 18_deepspeed_概述_ev.mp4 59.84M
- 19_deepspeed_配置_ev.mp4 38.48M
- 21_deepspeed_demo实例.mp4 42.37M
- 26_deepspeed_多机多卡配置.mp4 37.04M
- 27_chatglm3_新特性.mp4 52.99M
- 28_chatglm3_新特2.mp4 53.94M
- 29_流式与非流式_chat_generate.mp4 52.27M
- 30_glm2的tokenizer.mp4 49.51M
- 31_推理、训练、量化占用显存.mp4 83.60M
- 32_chatglm全量微调1.mp4 114.64M
- 33_chatglm全量微调2-cpu交换技术.mp4 215.40M
- 34_chatglm全量微调3-.mp4 137.16M
- 35_微调结果评测.mp4 25.10M
- 36_微调模型加载1.mp4 36.77M
- 37_微调结束后-推理.mp4 48.31M
- 38-微调优化.mp4 94.65M
- 39-codegeex微调-数据准备.mp4 43.15M
- 40-codegeex-微调数据处理.mp4 137.69M
- 41-codegeex-微调结果评测.mp4 48.86M
- 42-function-call概述.mp4 30.36M
- 43-function_call概述2.mp4 24.31M
- 44-function-call实例1.mp4 49.20M
- 45-手写function_call-1.mp4 66.08M
- 46-手写function_call-2.mp4 158.51M
- 47-streamlit-debug环境配置.mp4 42.92M
- 48_function-all_官方代码逐行解读.mp4 97.16M
- 49_code-interpreter-概述.mp4 26.23M
- 50_手写code-interpreter.mp4 140.91M
- 51_code-interpreter进阶.mp4 72.72M
- 52_项目演示.mp4 13.38M
- 53_akshare接口.mp4 49.69M
- 54_gradio-界面设计.mp4 40.85M
- 55_手写项目.mp4 289.21M
- LLM大模型视频
- 0_课程介绍_ev.mp4 27.86M
- 1_模型文件下载方法1.mp4 _ev.mp4 31.89M
- 2_模型文件下载方法2.mp4 _ev.mp4 37.20M
- 3_配置服务器jupyter环境.mp4 _ev.mp4 75.35M
- 4_vscode远程连接服务器.mp4 _ev.mp4 34.73M
- 5_vscode远程debug配置.mp4 _ev.mp4 82.65M
- 9_prompt_鏀瑰啓浠诲姟1_ev.mp4 62.54M
- 0-课程大纲简要说明_ev.mp4 6.72M
- 2-llm鐨勫彂灞曞巻绋媉part1_ev.mp4 45.10M
- 2-llm鐨勫彂灞曞巻绋媉part2_ev.mp4 66.92M
- 3-llm的训练流程以及常见的概念_ev.mp4 96.39M
- 4-llm的常见架构_ev.mp4 76.72M
- 6-1.1_llm鐨勫够瑙夊畾涔塤ev.mp4 34.32M
- 6-1.2幻觉的评估方法_ev.mp4 17.82M
- 6-1.3幻觉产生的原因_ev.mp4 29.32M
- 6-1.4_llm幻觉的常见的解决方式_ev.mp4 35.51M
- 6-1.5_llm鐨勭煡璇嗙紪杈慱ev.mp4 48.93M
- 8-1.1_Llama2的rmsnorm_原理_ev.mp4 37.15M
- 8-1.3_Llama2的ROPE_原理_ev.mp4 155.39M
- 8-1.5_Llama2的Attention_原理_ev.mp4 43.69M
- 8-1.7_Llama2的ffn_原理_ev.mp4 10.70M
- 9-1.1pet原理&dataloader_ev.mp4 149.57M
- 9-1.2pet模型和训练验证_ev.mp4 108.46M
- 9-1.3ptuningv1原理以及代码_ev.mp4 184.62M
- 9-1.4ptuningv2原理_ev.mp4 15.83M
- 文档
- sft高效微调.pdf 1.83M
- 大语言模型（Large Language Model，LLM）综述.pdf 4.63M
- 面试.pdf 362.16kb
- 配置服务器的jupyter环境.pdf 193.15kb
- 手写llama2源码.pdf 541.48kb
- 代码.zip 11.51G
