看不懂代码怎样微调DeepSeek-R1蒸馏的Llama-8B模型？
（这篇帖子主要是自己留个备份。想听我任意聊只看前面就行。想复制代码就直接拉到后面。）两年前，我微调过其时开源的一些大语言模型。用阿毗达磨数据。因为，大语言模型在阿毗达磨题目上的表现总是很差。后来，每出一种更强劲的模型，我总会从写作和阿毗达磨两个方面去测试它。在文学写作上，开始达到我认为委曲可用的模型是Claude 3.5 Sonnet（2024年10月版），我是从去年11月开始用sonnet写作的。deepseek R1出现之后，基本替换成R1。
R1在阿毗达磨上的表现比现在一般人能用的模型都要相对好一点。留意，只是相对。我现在一般会用三个比较简朴的题目问它们：1、阿毗达磨里的98随眠具体是哪些？2、色界见灭所断随眠有哪些？3、色界见灭所断随眠中有哪些是无漏缘惑？——包罗o1和o3-mini在内的模型，都还从来没回答对第二个题目过。R1在表现最好的时候，第二个题目回答对了（大部分时候回答不对）。
这主要不是模型能力差，因为模型能做对很多数学竞赛和编程题，那些比阿毗达磨题目难太多了（更何况上面列举的只黑白常基础的阿毗达磨题目）。主要原因是什么呢？是网上的阿毗达磨数据质量太差了，99%的数据都是错的。说99%毫不浮夸。这也是我想尝试微调开源模型的原因。
我完全不懂编程。连一行代码都看不明确。能够跑通，起首得益于刘琨的指导和帮助，其次得益于有诸多AI可用。也可以说主要是刘琨跑通的，我主要负责写这个帖子。
以是，我把微调的代码放出来，以便自己以后还想微调有个备份（两年前微调的那些流程我清理电脑已经找不到了）。
1、用jsonl照旧txt？
我的选择是毫不犹豫地用txt。
不过一开始，照旧试了jsonl数据。方法是，先分卷把《俱舍论》塞给Claude，让它从每一卷中提取出40个题目，列成jsonl格式。效果如下（举三例）：
{“instruction”: “”, “input”: “什么是"色蘊”?", “output”: “色蘊包含五根(眼、耳、鼻、舌、身根)、五境(色、声、香、味、触)以及无表色。”}
{“instruction”: “”, “input”: “文中提到的"五根"具体指什么?”, “output”: “五根指眼根、耳根、鼻根、舌根、身根,这五种净色是识的所依。”}
{“instruction”: “”, “input”: “文中提到的"界"是什么意思?”, “output”: “界的含义是法的种族义,如同一座山中有多种金银铜铁等族群,一身或一相续中有十八类诸法种族,故名十八界。”}
复制这些内容成jsonl，还会碰到一些题目，一个是要把空行删除，再一个是内容中的引号会让步调出错，以及可能还会有一些其他题目。
但这些都不是最关键的题目。最关键的题目是，jsonl类型的阿毗达磨数据质量高不了。高质量的数据只能手动去写，但我不可能有那个精力。AI根据《俱舍》《婆沙》天生的1万条jsonl数据，假设其中包含20万字，它的价值只相当于俱舍论的4000字，这就是为什么用jsonl数据训练很不可行。
以是，我简朴试了下jsonl数据，照旧回归到txt数据。
2、1小时可运行的代码
我是在google colab上微调的。一开始是用10MB的数据，包含《俱舍》《婆沙》《正理》三部阿毗达磨文献全文。还有个更大的，整个毗昙部的文献，48MB左右，想先跑通一遍流程，没用那个。用的是T4 GPU，最早的代码，表现微调完成须要36小时。我想先跑通流程，以是修改参数到最小，又换成一个4MB的数据（只包含《俱舍》《正理》），训练须要1小时左右。因此，现在放上来的也是这个。
以下的代码表明，每一部分放在一个单元格中，表明是让Claude完成的。
%%capture
# Normally using pip install unsloth is enough
# Temporarily as of Jan 31st 2025, Colab has some issues with Pytorch
# Using pip install unsloth will take 3 minutes, whilst the below takes <1 minute:
!pip install --no-deps bitsandbytes accelerate xformers==0.0.29 peft trl triton
!pip install --no-deps cut_cross_entropy unsloth_zoo
!pip install sentencepiece protobuf datasets huggingface_hub hf_transfer
!pip install --no-deps unsloth
好的,我来具体表明这段安装依靠的代码。让我们一步步来看:
\1. 起首看到 %%capture
- 这是一个Jupyter/Colab的邪术下令
- 它的作用是隐蔽下令执行时的输出信息,让notebook看起来更整洁
- 如果不加这个,安装过程中会出现大量的日记信息
\2. 关于依靠安装的总体阐明
- 通常环境下,只须要运行 pip install unsloth 就够了
- 但在2025年1月尾,由于Colab环境的特别性,须要分步安装以提高效率
- 这种方式可以把安装时间从3分钟缩短到1分钟以内
\3. 让我们看看安装了哪些焦点库:
```python
!pip install --no-deps bitsandbytes accelerate xformers==0.0.29 peft trl triton
```
- --no-deps: 表现只安装指定的包,不安装它们的依靠包
- bitsandbytes: 用于模型量化,可以减少显存占用
- accelerate: Hugging Face的加速训练工具
- xformers: Facebook开发的Transformer优化库
- peft: Parameter-Efficient Fine-Tuning的缩写,用于高效微调
- trl: Transformer Reinforcement Learning,用于强化学习训练
- triton: 一个编程语言,用于编写高效的GPU代码
\4. 安装特定功能的包:
```python
!pip install --no-deps cut_cross_entropy unsloth_zoo
```
- cut_cross_entropy: 优化的交叉熵损失函数实现
- unsloth_zoo: unsloth的模型库
\5. 安装Hugging Face相关的工具:
```python
!pip install sentencepiece protobuf datasets huggingface_hub hf_transfer
```
- sentencepiece: 用于文本分词
- datasets: Hugging Face的数据集工具
- huggingface_hub: 用于与Hugging Face模型库交互
- hf_transfer: 优化的模型下载工具
\6. 最后安装unsloth主包:
```python
!pip install --no-deps unsloth
```
这些库构成了一个完整的大语言模型微调环境。利用unsloth可以帮助我们更高效地举行模型微调,它提供了很多优化和加速的特性。
小提示:如果安装过程中碰到错误,可以去掉%%capture来检察具体的错误信息,如许更容易排查题目。
https://i-blog.csdnimg.cn/direct/5be27c30abf0437fa9e923ff8feaa07c.png
好的,我来具体表明这段代码的作用。这是加载预训练模型的关键步骤,让我们逐行分析:
\1. 起首是导入须要的库:
```python
from unsloth import FastLanguageModel
import torch
```
- FastLanguageModel 是unsloth提供的快速语言模型加载工具
- torch 是PyTorch深度学习框架,为模型训练提供基础支持
\2. 加载预训练模型:
```python
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = “unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit”,
max_seq_length = 512,
dtype = None,
load_in_4bit = True,
)
```
这行代码的各个参数含义如下:
- model_name: 指定要加载的模型
- 这里利用的是DeepSeek-R1-Distill-Llama-8B模型
- 这是一个8B参数的Llama架构模型
- "unsloth"前缀表明这是经过unsloth优化的版本
- "bnb-4bit"表现利用了4位量化
- max_seq_length = 512:
- 设置模型能处理的最大文本长度
- 512是一个比较保守的设置,可以节省显存
- 根据实际需求,这个值可以调解
- dtype = None:
- 数据类型设置为None,表现利用模型默认的数据类型
- 在4位量化的环境下,这个参数实际上不会起作用
- load_in_4bit = True:
- 启用4位量化加载模型
- 这可以大大减少显存占用
- 相比16位或32位精度,显存占用可以减少4-8倍
- 固然精度降低,但对大多数使命的影响很小
这段代码执行后会返回两个重要对象:
- model: 加载好的语言模型,用于后续的训练和推理
- tokenizer: 分词器,用于将文本转换为模型可以理解的数字序列
小贴士:
\1. 如果显存不足,可以思量:
- 进一步减小max_seq_length
- 利用参数更少的模型版本
\2. 第一次运行时会从网络下载模型,可能须要一些时间
\3. 发起确保有充足的显存(发起至少10GB以上)才运行这段代码
https://i-blog.csdnimg.cn/direct/3dfa342a03af48b8804d8060257f5030.png
让我具体表明这段配置PEFT(Parameter-Efficient Fine-Tuning)模型的代码。这是利用LoRA方法举行高效微调的重要设置:
\1. FastLanguageModel.get_peft_model()的作用:
- 将普通的语言模型转换为可以举行高效参数微调的版本
- 利用LoRA(Low-Rank Adaptation)技能来减少训练参数量
- 保持模型主体不变,只训练少量新增参数
\2. 重要参数剖析:
- r = 8: LoRA的秩设置
- 这个值决定了LoRA矩阵的巨细
- 值越小,训练参数越少,显存占用越低
- 但如果太小可能会影响模型效果
- 8是一个比较均衡的选择
- target_modules = ["q_proj", "k_proj", "v_proj"]:
- 指定要应用LoRA的具体层
- 这里只选择了留意力机制中最焦点的三个投影矩阵:
- q_proj: Query投影
- k_proj: Key投影
- v_proj: Value投影
- 如许可以在保持效果的同时最大限度减少训练参数
- lora_alpha = 8:
- LoRA的缩放因子
- 控制LoRA层的影响程度
- 通常设置为与r相同的值
- lora_dropout = 0:
- LoRA层的dropout率
- 设为0表现倒霉用dropout
- 这可以加速训练速率
- bias = "none":
- 设置是否训练偏置项
- "none"表现不训练偏置
- 如许可以进一步减少训练参数
- use_gradient_checkpointing = "unsloth":
- 利用unsloth优化的梯度查抄点
- 可以明显减少显存利用
- 固然会轻微降低训练速率,但对于大模型来说很有须要
- random_state = 3407:
- 设置随机种子
- 确保实验可以复现
- 3407是机器学习中常用的一个荣幸数字
实用发起:
\1. 如果显存still很告急,可以:
- 进一步减小r的值(比如改为4)
- 减少target_modules的数量
\2. 如果训练效果不抱负,可以:
- 适当增加r的值
- 增加target_modules(比如参加"o_proj")
\3. 这些参数设置体现了"够用就好"的原则,在效果和资源消耗之间找到均衡
通过如许的设置,我们可以用很小的计算资源实现模型微调,这对于个人开发者来说特别友好。
https://i-blog.csdnimg.cn/direct/1577682a25474082813f39f6575d7711.png
我来具体表明这段数据处理的代码。这是准备训练数据的关键步骤:
\1. 起首导入数据集工具:
```python
from datasets import load_dataset
```
- datasets是Hugging Face提供的数据集处理库
- 它让数据集的加载和处理变得简朴高效
\2. 界说数据格式化函数:
```python
def formatting_prompts_func(examples):
texts = []
for example in examples[“text”]:
text = example + EOS_TOKEN
texts.append(text)
return {“text”: texts}
```
这个函数的作用是:
- 接收一批文本样本
- 在每个文本末了添加结束符(EOS_TOKEN)
- 将处理后的文本重新打包返回
- 如许可以让模型知道每个样本在哪里结束
\3. 加载当地数据集:
```python
dataset = load_dataset(“text”, data_files={“train”: “jud.txt”})
```
- 利用load_dataset加载当地文本文件
- data_files参数指定文件路径
- "jud.txt"是您的训练文本文件
- 这里假设文件接纳简朴的文本格式
\4. 划分数据集:
```python
split_dataset = dataset[“train”].train_test_split(
test_size=0.1,
seed=42
)
```
- 将数据集分为训练集和验证集
- test_size=0.1表现验证集占总数据的10%
- seed=42是随机种子,确保划分可重现
- 这个比例可以根据实际需求调解
\5. 重组数据集字典:
```python
dataset = {
“train”: split_dataset[“train”],
“validation”: split_dataset[“test”]
}
```
- 创建标准格式的数据集字典
- 包含"train"和"validation"两个部分
- 验证集用于评估模型训练效果
实用发起:
\1. 关于数据文件(jud.txt):
- 确保文件编码正确(推荐UTF-8)
- 最好提前清理好数据格式
- 发起每行一个样本
\2. 关于划分比例:
- 如果数据量很大,验证集可以设得更小(如5%)
- 如果数据量小,可以适当增加比例
- 确保验证集充足代表数据分布
\3. 数据质量查抄:
- 发起在训练前打印几个样本查抄格式
- 确认EOS_TOKEN正确添加
- 查抄是否有异常的空行或格式题目
这段代码为后续的模型训练做好了数据准备工作。好的数据预处理对训练效果至关重要。
from transformers import AutoTokenizer
# tokenizer部分保持不变
tokenizer = AutoTokenizer.from_pretrained("unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit")
# 加载txt数据集
dataset = load_dataset(
"text",
data_files={"train": "jud.txt"},
split="train"
)
# 划分数据集
split_dataset = dataset.train_test_split(test_size=0.1, seed=42)
train_dataset = split_dataset["train"]
val_dataset = split_dataset["test"]
# 查看数据结构
print("数据集列名:", train_dataset.column_names)
print("\n第一条数据样例:", train_dataset)
def format_text(examples):
"""处理纯文本数据"""
formatted_texts = []
for text in examples["text"]:
# 为每个文本片段添加EOS token
formatted_text = text + tokenizer.eos_token
formatted_texts.append(formatted_text)
return {"text": formatted_texts}
# 应用数据处理
train_dataset = train_dataset.map(
format_text,
batched=True,
remove_columns=train_dataset.column_names
)
val_dataset = val_dataset.map(
format_text,
batched=True,
remove_columns=val_dataset.column_names
)
# 验证输出
print("\n处理后的训练集样例:")
print(train_dataset["text"][:200], "...") # 只打印前200个字符
print("\n处理后的验证集样例:")
print(val_dataset["text"][:200], "...")
让我具体表明这段数据处理和分词的代码。这是对前面代码的优化和扩展版本:
\1. 导入分词器并初始化:
```python
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(“unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit”)
```
- 利用和模型相同的分词器配置
- 确保数据处理与模型渴望的输入格式同等
\2. 加载数据集:
```python
dataset = load_dataset(
“text”,
data_files={“train”: “jud.txt”},
split=“train”
)
```
- 直接指定训练数据文件
- 先作为单个数据集加载
\3. 数据集划分:
```python
split_dataset = dataset.train_test_split(test_size=0.1, seed=42)
train_dataset = split_dataset[“train”]
val_dataset = split_dataset[“test”]
```
- 90%作为训练集
- 10%作为验证集
- 利用固定随机种子确保可重现性
\4. 查抄数据结构:
```python
print(“数据集列名:”, train_dataset.column_names)
print(“\n第一条数据样例:”, train_dataset)
```
- 打印数据集的基本信息
- 有助于理解数据格式和内容
\5. 界说文本处理函数:
```python
def format_text(examples):
“”“处理纯文本数据”“”
formatted_texts = []
for text in examples[“text”]:
formatted_text = text + tokenizer.eos_token
formatted_texts.append(formatted_text)
return {“text”: formatted_texts}
```
- 为每条文本添加结束符
- 利用tokenizer的标准结束符
- 批量处理以提高效率
\6. 应用数据处理:
```python
train_dataset = train_dataset.map(
format_text,
batched=True,
remove_columns=train_dataset.column_names
)
val_dataset = val_dataset.map(
format_text,
batched=True,
remove_columns=val_dataset.column_names
)
```
特别留意的参数:
- batched=True: 启用批处理以提高效率
- remove_columns: 移除原有列,保持数据结构清晰
\7. 验证处理效果:
```python
print(“\n处理后的训练集样例:”)
print(train_dataset[“text”][:200], “…”)
print(“\n处理后的验证集样例:”)
print(val_dataset[“text”][:200], “…”)
```
- 打印处理后的样本
- 只表现前200个字符避免输出过长
- 方便查抄处理是否符合预期
实用发起:
\1. 数据查抄:
- 仔细查抄打印出的样例
- 确保文本格式正确
- 验证结束符是否正确添加
\2. 内存管理:
- 如果数据集很大,可以思量利用流式处理
- 可以添加cache_file_name参数来缓存处理效果
\3. 错误处理:
- 发起添加try-except来捕获可能的错误
- 特别是处理大量数据时
\4. 性能优化:
- batched=True对大数据集很重要
- 可以通过num_proc参数启用多进程处理
这段代码提供了更完整的数据处理流程,并参加了须要的验证步骤,这对确保训练数据质量非常重要。
https://i-blog.csdnimg.cn/direct/3148c933512e4007aff8924de502a316.png
让我具体表明这段配置训练器的代码。这是整个训练过程中最关键的配置部分:
\1. 起首是导入须要的组件:
```python
from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported
```
- SFTTrainer: 用于监督微调(Supervised Fine-Tuning)的训练器
- TrainingArguments: 训练参数配置类
- is_bfloat16_supported: 查抄是否支持bfloat16格式
\2. 创建SFTTrainer对象:
```python
trainer = SFTTrainer(
model = model,
tokenizer = tokenizer,
train_dataset = train_dataset,
eval_dataset = val_dataset,
dataset_text_field = “text”,
max_seq_length = 512,
dataset_num_proc = 1,
packing = True,
args = TrainingArguments(…)
)
```
主要参数剖析:
- model: 之前配置好的LoRA模型
- tokenizer: 分词器
- train_dataset和eval_dataset: 训练集和验证集
- dataset_text_field: 指定命据集中的文本字段名
- max_seq_length = 512: 限制序列长度,节省显存
- dataset_num_proc = 1: 数据处理的进程数
- packing = True: 启用序列打包,提高训练效率
\3. TrainingArguments具体配置:
基础训练参数:
```python
per_device_train_batch_size = 4, # 每个装备的批次巨细
gradient_accumulation_steps = 2, # 梯度累积步数
warmup_steps = 5, # 预热步数
num_train_epochs = 1, # 训练轮数
```
优化器相关:
```python
learning_rate = 3e-4, # 学习率
optim = “adamw_8bit”, # 利用8位AdamW优化器
weight_decay = 0.01, # 权重衰减率
lr_scheduler_type = “linear”, # 学习率调治计谋
```
精度设置:
```python
fp16 = not is_bfloat16_supported(), # 如果不支持bf16就用fp16
bf16 = is_bfloat16_supported(), # 优先利用bf16
```
其他设置:
```python
logging_steps = 1, # 每步都记录日记
seed = 3407, # 随机种子
output_dir = “outputs”, # 输出目录
report_to = “none”, # 倒霉用外部记录工具
```
实用发起:
\1. 关于批次巨细:
- 如果显存充足,可以适当增加per_device_train_batch_size
- 如果显存不足,可以增加gradient_accumulation_steps
- 实际批次巨细 = per_device_train_batch_size × gradient_accumulation_steps
\2. 关于学习率:
- 3e-4是比较激进的设置
- 如果训练不稳固,可以降低到1e-4或5e-5
- warmup_steps可以帮助稳固训练初期
\3. 关于训练轮数:
- 单轮训练可能不够
- 可以根据验证集表现适当增加
- 留意观察是否过拟合
\4. 关于显存优化:
- 利用8位优化器节省显存
- 根据硬件选择符合的精度(fp16/bf16)
- 可以通过减小max_seq_length进一步节省显存
这些配置体现了在有限资源下的优化计谋,既要保证训练效果,又要确保训练能够顺遂举行。
https://i-blog.csdnimg.cn/direct/da7db84504fc45d2af38a6596c8294de.png
让我具体表明这段执行训练和评估的代码:
\1. 执行训练:
```python
trainer_stats = trainer.train()
```
- 这行代码启动实际的训练过程
- 会返回包含训练统计信息的对象
- 训练过程中会看到进度条和实时指标
\2. 打印训练统计信息:
```python
print(“\n训练统计:”)
print(f"总训练时间: {trainer_stats.metrics[‘train_runtime’]:.2f} 秒")
print(f"训练损失: {trainer_stats.metrics[‘train_loss’]:.4f}")
```
重要指标阐明:
- train_runtime: 整个训练过程耗时
- train_loss: 训练集上的均匀损失值
- 损失值越低表现模型拟合得越好
- 但要留意不能太低,可能出现过拟合
\3. 验证损失查抄:
```python
if ‘eval_loss’ in trainer_stats.metrics:
print(f"验证损失: {trainer_stats.metrics[‘eval_loss’]:.4f}")
```
- 查抄训练过程中是否计算了验证损失
- 这部分是可选的,取决于训练配置
\4. 最终模型评估:
```python
final_metrics = trainer.evaluate()
print(“\n最终验证集评估效果:”)
print(f"验证损失: {final_metrics[‘eval_loss’]:.4f}")
```
- 在完整验证集上评估模型表现
- 得到最终的验证指标
- 这个分数最具参考价值
实用发起:
\1. 关于训练监控:
- 记录初始损失值作为基准
- 观察损失下降趋势是否健康
- 鉴戒损失突然增大或不稳固的环境
\2. 训练时间分析:
- 如果训练时间过长,可以思量:
- 减少数据量
- 减少训练轮数
- 增加批次巨细
- 如果训练时间过短,可能须要:
- 增加训练轮数
- 增加数据量
\3. 损失值分析:
- 训练损失和验证损失的差距不应太大
- 如果验证损失明显高于训练损失,阐明过拟合
- 抱负环境下两者应该同步下降
\4. 常见题目处理:
- 如果损失不下降:
- 查抄学习率是否符合
- 查抄数据预处理是否正确
- 如果训练不稳固:
- 降低学习率
- 增加warmup步数
- 如果显存溢出:
- 减小批次巨细
- 减少序列长度
这段代码是整个训练过程的收尾,通过这些指标可以判定训练是否成功,模型效果怎样。发起保存这些指标,方便与其他训练配置举行比较。
https://i-blog.csdnimg.cn/direct/2972b4afb4ee47b8af32cae6ea7902f9.png
让我具体表明这段用于模型推理的代码:
\1. 界说提示模板:
```python
alpaca_prompt = “”"
指令：{0}
输入：{1}
输出：{2}
“”"
```
- 利用Alpaca格式的提示模板
- 包含三个部分:指令、输入和输出
- 利用format()方法可以方便地添补内容
\2. 开启快速推理模式:
```python
FastLanguageModel.for_inference(model)
```
- 启用unsloth的原生快速推理
- 可以得到2倍的推理速率提升
- 这是优化后的推理模式
\3. 准备输入数据:
```python
inputs = tokenizer(
[
alpaca_prompt.format(
“”, # instruction
“三界是什么？”, # input
“”, # output - leave this blank for generation!
)
], return_tensors = “pt”).to(“cuda”)
```
- 利用模板格式化输入
- 将文本转换为模型须要的张量格式
- 将数据移到GPU上举行处理
\4. 设置文本流式输出:
```python
from transformers import TextStreamer
text_streamer = TextStreamer(tokenizer)
```
- 导入并初始化文本流式输出器
- 可以实时看到天生的文本
- 比等待全部天生完再表现更友好
\5. 天生文本:
```python
_ = model.generate(
**inputs,
streamer = text_streamer,
max_new_tokens = 512
)
```
主要参数阐明:
- **inputs: 展开准备好的输入数据
- streamer: 利用流式输出器
- max_new_tokens: 限制天生的最大token数
实用发起:
\1. 关于提示工程:
- 提示模板可以根据须要修改
- 可以尝试不同的指令来得到更好的输出
- 留意保持提示格式的同等性
\2. 输出控制:
- 可以调解max_new_tokens控制输出长度
- 可以添加temperature参数控制随机性
- 可以设置top_p或top_k参数控制采样计谋
\3. 性能优化:
- 利用batch处理可以提高效率
- 可以尝试不同的推理设置
- 留意显存利用环境
\4. 错误处理:
- 发起添加try-except捕获可能的错误
- 特别是处理长文本时
- 留意处理特别字符和换行符
这段代码展示了怎样利用微调后的模型举行实际的文本天生。通过调解各种参数,可以得到不同风格和质量的输出。发起多做实验,找到最适合您需求的设置。
怎样零基础入门 / 学习AI大模型？
大模型时代，火爆出圈的LLM大模型让步调员们开始重新评估自己的本事。 “AI会代替那些行业？”“谁的饭碗又将不保了？”等题目热议不断。
不如成为「掌握AI工具的技能人」，毕竟AI时代，谁先尝试，谁就能占得先机！
想正式转到一些新兴的 AI 行业，不仅须要系统的学习AI大模型。同时也要跟已有的技能连合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。
但是LLM相关的内容很多，现在网上的老课程老课本关于LLM又太少。以是现在小白入门就只能靠自学，学习成本和门槛很高
那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包罗AI大模型入门学习头脑导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果须要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
https://i-blog.csdnimg.cn/img_convert/081da29992e52fdd6785e11039fba33c.jpeg
页:
[1]