LLM大模型学习指南：快速入门教程与学习路径【持续更新】

LLM 快速学习路径

学习目标

了解大模型以及对应 NLP 知识的基础原理，能够熟练调用GPT API，编写 Prompt 完成各种任务。

能够实现简单的微调模型，构造 QA 对，上传并外挂数据库等常见主流技术方案。

注：大模型作为目前最火的技术热点之一，几乎所有的学习资料和教程都可以公开查到，不推荐报名参加任何的付费课程。

前置知识：Python 基础、Linux 基础

• 学习目的：
  熟练掌握 Python 语言，熟悉常用的 Python 库和工具，如 NumPy、Pandas、Matplotlib、Scikit-learn、TensorFlow、PyTorch 等。
  具备 NLP 相关的基础知识，包括文本预处理、分词、词性标注、命名实体识别、词向量表示等。
  对大模型有一定了解，包括 Transformer 模型的结构和原理、基于注意力机制的自然语言处理技术等。
• - 学习内容
  廖雪峰 python 教程：https://www.liaoxuefeng.com/
• - 学习要求
  熟练掌握并能够编写基础的 python 函数、语法等，能够熟练使用 Linux 系统

Step1：NLP 相关基础知识

• 学习目的：
  了解文本预处理、分词、词性标注、命名实体识别、词向量表示等基础知识。
  掌握自然语言处理（NLP）相关技术，如分词、词性标注、命名实体识别、句法分析等。
  掌握机器学习中的数据预处理、特征提取、分类、回归等基础算法，并了解其在 NLP 领域的应用。
  了解大规模 NLP 任务中的常用技术和方法，如深度学习中的 Transformer 模型、BERT、GPT 等。
• - 学习内容
  李沐 动手学深度学习：https://zh.d2l.ai/
  视频：https://space.bilibili.com/1567748478/
  大模型理论基础：https://github.com/datawhalechina/so-large-lm
• - 学习要求
  理解并掌握机器学习、深度学习、自然语言处理的基础概念，最好能够阅读并吸收课程中提到的经典论文，能够独立实现在 colab 上训练模型（小模型）

Step2：GPT API 调用及 Prompt设计

• 学习目的：
  了解 GPT API 的调用方式和基本操作，熟悉 Prompt 设计技巧和要点，能够结合自己的任务调用 API 实现对应的任务代码。
• - 学习要求
  了解大模型以及对应 NLP 知识的基础原理，能够熟练调用GPT API，编写 Prompt 完成各种任务。

Step3：模型微调（Fine-tuning）

• 学习目的
  了解常见的微调模型的基本流程和原理，熟悉数据集的构造、训练、评估等过程，能够独立构建 QA 对，在服务器上对模型进行微调。
• - 学习内容
  QA 问答对微调数据构建：
  LLM 全流程框架（包含教程）
  手把手微调教程：
  服务器租用（最便宜，但可能要等）
• - 学习要求
  能够独立完成大模型的微调数据构建、训练以及部署工作。

Step4：RAG（外挂数据库）

• 学习目的
  RAG 作为目前最火的一个 LLM 落地方向，可以结合私有数据（表格、word、txt、pdf、数据库 皆可）实现本地问答，且训练成本较低，可以快速实现效果。
• - 学习内容
  Langchain：
  FastGPT：
  LangChain-Chatchat（快速部署框架）：
  DB-GPT：
  RAG进阶优化：
• - 学习要求
  能够在本地实现基于大模型的外挂部署方案

LLM 快速学习路径

学习目标

了解大模型以及对应 NLP 知识的基础原理，能够熟练调用GPT API，编写 Prompt 完成各种任务。

能够实现简单的微调模型，构造 QA 对，上传并外挂数据库等常见主流技术方案。

注：大模型作为目前最火的技术热点之一，几乎所有的学习资料和教程都可以公开查到，不推荐报名参加任何的付费课程。

前置知识：Python 基础、Linux 基础

• 学习目的：
  熟练掌握 Python 语言，熟悉常用的 Python 库和工具，如 NumPy、Pandas、Matplotlib、Scikit-learn、TensorFlow、PyTorch 等。
  具备 NLP 相关的基础知识，包括文本预处理、分词、词性标注、命名实体识别、词向量表示等。
  对大模型有一定了解，包括 Transformer 模型的结构和原理、基于注意力机制的自然语言处理技术等。
• - 学习内容
  廖雪峰 python 教程：https://www.liaoxuefeng.com/
• - 学习要求
  熟练掌握并能够编写基础的 python 函数、语法等，能够熟练使用 Linux 系统

Step1：NLP 相关基础知识

• 学习目的：
  了解文本预处理、分词、词性标注、命名实体识别、词向量表示等基础知识。
  掌握自然语言处理（NLP）相关技术，如分词、词性标注、命名实体识别、句法分析等。
  掌握机器学习中的数据预处理、特征提取、分类、回归等基础算法，并了解其在 NLP 领域的应用。
  了解大规模 NLP 任务中的常用技术和方法，如深度学习中的 Transformer 模型、BERT、GPT 等。
• - 学习内容
  李沐 动手学深度学习：https://zh.d2l.ai/
  视频：https://space.bilibili.com/1567748478/
  大模型理论基础：https://github.com/datawhalechina/so-large-lm
• - 学习要求
  理解并掌握机器学习、深度学习、自然语言处理的基础概念，最好能够阅读并吸收课程中提到的经典论文，能够独立实现在 colab 上训练模型（小模型）

Step2：GPT API 调用及 Prompt设计

• 学习目的：
  了解 GPT API 的调用方式和基本操作，熟悉 Prompt 设计技巧和要点，能够结合自己的任务调用 API 实现对应的任务代码。
• - 学习要求
  了解大模型以及对应 NLP 知识的基础原理，能够熟练调用GPT API，编写 Prompt 完成各种任务。

Step3：模型微调（Fine-tuning）

• 学习目的
  了解常见的微调模型的基本流程和原理，熟悉数据集的构造、训练、评估等过程，能够独立构建 QA 对，在服务器上对模型进行微调。
• - 学习内容
  QA 问答对微调数据构建：
  LLM 全流程框架（包含教程）
  手把手微调教程：
  服务器租用（最便宜，但可能要等）
• - 学习要求
  能够独立完成大模型的微调数据构建、训练以及部署工作。

Step4：RAG（外挂数据库）

• 学习目的
  RAG 作为目前最火的一个 LLM 落地方向，可以结合私有数据（表格、word、txt、pdf、数据库 皆可）实现本地问答，且训练成本较低，可以快速实现效果。
• - 学习内容
  Langchain：
  FastGPT：
  LangChain-Chatchat（快速部署框架）：
  DB-GPT：
  RAG进阶优化：
• - 学习要求
  能够在本地实现基于大模型的外挂部署方案

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

学会后的收获：

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】