D丁师兄大模型训练营/
│ ├── 18-LLM-模型/
│ │ ├── 31-LLM-Interview-Plus/
│ │ │ ├── 大模型 RAG 检索增强生成面.pdf (1.23 MB)
│ │ │ ├── 大模型（LLMs）分布式训练面.pdf (0.41 MB)
│ │ │ ├── 大模型（LLMs）幻觉面.pdf (0.73 MB)
│ │ │ ├── 大模型（LLMs）面试题答案Plus.pdf (1.85 MB)
│ │ │ ├── 大模型（LLMs）推理加速篇.pdf (0.21 MB)
│ │ │ ├── 大模型（LLMs）显存问题面.pdf (0.27 MB)
│ │ │ ├── 大模型（LLMs）增量预训练篇.pdf (0.84 MB)
│ │ │ ├── 大模型（LLMs）蒸馏面.pdf (0.17 MB)
│ │ │ ├── 大模型（LLMs）Tokenizer篇.pdf (0.30 MB)
│ │ │ ├── 大模型校招面试题.pdf (0.54 MB)
│ │ │ └── 多模态常见面试题.pdf (0.32 MB)
│ │ ├── 大模型（LLMs）参数高效微调(PEFT)面/
│ │ │ ├── 参数高效微调篇PRFT.pdf (1.31 MB)
│ │ │ ├── 适配器微调（Adapter-tuning）篇.pdf (0.09 MB)
│ │ │ ├── 提示学习（Prompting）篇.pdf (0.19 MB)
│ │ │ └── LoRA篇.pdf (0.64 MB)
│ │ ├── 大模型（LLMs）幻觉面.pdf (0.73 MB)
│ │ ├── 大模型（LLMs）基础面.pdf (0.38 MB)
│ │ ├── 大模型（LLMs）进阶面.pdf (0.83 MB)
│ │ ├── 大模型（LLMs）评测面.pdf (0.19 MB)
│ │ ├── 大模型（LLMs）强化学习—— PPO 面.pdf (0.19 MB)
│ │ ├── 大模型（LLMs）强化学习——RLHF及其变种面.pdf (2.27 MB)
│ │ ├── 大模型（LLMs）推理面.pdf (0.53 MB)
│ │ ├── 大模型（LLMs）微调面.pdf (2.64 MB)
│ │ ├── 大模型（LLMs）训练集面.pdf (0.22 MB)
│ │ ├── 大模型（LLMs）agent 面.pdf (1.10 MB)
│ │ └── 大模型（LLMs）langchain面/
│ │ │ ├── 大模型（LLMs）langchain面.pdf (0.30 MB)
│ │ │ └── 基于LLM+向量库的文档对话经验面.pdf (0.28 MB)
│ ├── 阶段1：大模型必备的深度学习基础/
│ │ ├── 1.【框架】Pytorch学习/
│ │ │ ├── 怎么学.doc (0.01 MB)
│ │ │ ├── pytorch-tutorial-master.zip (2.18 MB)
│ │ │ └── PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】/
│ │ │ │ ├── 1.P1. PyTorch环境的配置及安装（Configuration and (Av74281036,P1).mp4 (65.46 MB)
│ │ │ │ ├── 2.P2. Python编辑器的选择、安装及配置（PyCharm、Jupyter(Av74281036,P2).mp4 (53.09 MB)
│ │ │ │ ├── 3.【FAQ】为什么torch.cuda.is_available返回False(Av74281036,P3).mp4 (28.71 MB)
│ │ │ │ ├── 4.P3. Python学习中的两大法宝函数（当然也可以用在PyTorch）(Av74281036,P4).mp4 (32.64 MB)
│ │ │ │ ├── 5.P4. PyCharm及Jupyter使用及对比(Av74281036,P5).mp4 (60.48 MB)
│ │ │ │ ├── 6.P5. PyTorch加载数据初认识(Av74281036,P6).mp4 (41.89 MB)
│ │ │ │ ├── 7.P6. Dataset类代码实战(Av74281036,P7).mp4 (105.27 MB)
│ │ │ │ ├── 8.P7. TensorBoard的使用（一）(Av74281036,P8).mp4 (77.90 MB)
│ │ │ │ ├── 9.P8. TensorBoard的使用（二）(Av74281036,P9).mp4 (48.88 MB)
│ │ │ │ ├── 10.P9. Transforms的使用（一）(Av74281036,P10).mp4 (50.13 MB)
│ │ │ │ ├── 11.P9. Transforms的使用（二）(Av74281036,P11).mp4 (11.39 MB)
│ │ │ │ ├── 12.常见的Transforms（一）(Av74281036,P12).mp4 (67.99 MB)
│ │ │ │ ├── 13.常见的Transforms（二）(Av74281036,P13).mp4 (88.34 MB)
│ │ │ │ ├── 14.torchvision中的数据集使用(Av74281036,P14).mp4 (51.99 MB)
│ │ │ │ ├── 15.DataLoader的使用(Av74281036,P15).mp4 (46.51 MB)
│ │ │ │ ├── 16.神经网络的基本骨架-nn.Module的使用(Av74281036,P16).mp4 (32.20 MB)
│ │ │ │ ├── 17.土堆说卷积操作（可选看）(Av74281036,P17).mp4 (56.66 MB)
│ │ │ │ ├── 18.神经网络-卷积层(Av74281036,P18).mp4 (69.73 MB)
│ │ │ │ ├── 19.神经网络-最大池化的使用(Av74281036,P19).mp4 (54.11 MB)
│ │ │ │ ├── 20.神经网络-非线性激活(Av74281036,P20).mp4 (31.77 MB)
│ │ │ │ ├── 21.神经网络-线性层及其他层介绍(Av74281036,P21).mp4 (65.71 MB)
│ │ │ │ ├── 22.神经网络-搭建小实战和Sequential的使用(Av74281036,P22).mp4 (59.10 MB)
│ │ │ │ ├── 23.损失函数与反向传播(Av74281036,P23).mp4 (80.59 MB)
│ │ │ │ ├── 24.优化器（一）(Av74281036,P24).mp4 (46.71 MB)
│ │ │ │ ├── 25.现有网络模型的使用及修改(Av74281036,P25).mp4 (62.62 MB)
│ │ │ │ ├── 26.网络模型的保存与读取(Av74281036,P26).mp4 (35.40 MB)
│ │ │ │ ├── 27.完整的模型训练套路（一）(Av74281036,P27).mp4 (62.33 MB)
│ │ │ │ ├── 28.完整的模型训练套路（二）(Av74281036,P28).mp4 (52.72 MB)
│ │ │ │ ├── 29.完整的模型训练套路（三）(Av74281036,P29).mp4 (14.48 MB)
│ │ │ │ ├── 30.利用GPU训练（一）(Av74281036,P30).mp4 (43.48 MB)
│ │ │ │ ├── 31.利用GPU训练（二）(Av74281036,P31).mp4 (24.54 MB)
│ │ │ │ ├── 32.完整的模型验证套路(Av74281036,P32).mp4 (46.83 MB)
│ │ │ │ └── 33.【完结】看看开源项目(Av74281036,P33).mp4 (39.43 MB)
│ │ ├── 2.【原理】深度学习必看/
│ │ │ ├── 视频/
│ │ │ │ ├── 1.1.绪论求三连(Av836329979,P1).mp4 (50.00 MB)
│ │ │ │ ├── 2.2. 2. 2. 1.1 人工智能(Av836329979,P2).mp4 (18.13 MB)
│ │ │ │ ├── 3.3. 3. 3. 1.2 如何开发人工智能系统？(Av836329979,P3).mp4 (19.03 MB)
│ │ │ │ ├── 4.4. 4. 4. 1.3 表示学习(Av836329979,P4).mp4 (28.92 MB)
│ │ │ │ ├── 5.5. 5. 5. 1.4 深度学习(Av836329979,P5).mp4 (10.11 MB)
│ │ │ │ ├── 6.6. 6. 6. 1.5 人脑神经网络(Av836329979,P6).mp4 (14.56 MB)
│ │ │ │ ├── 7.7. 7. 7. 1.6 神经网络(Av836329979,P7).mp4 (15.07 MB)
│ │ │ │ ├── 8.8. 8. 8. 1.7 神经网络发展史(Av836329979,P8).mp4 (17.56 MB)
│ │ │ │ ├── 9.9. 9. 9. 2 机器学习概述(Av836329979,P9).mp4 (2.42 MB)
│ │ │ │ ├── 10.10. 10. 10. 2.1 关于概率的一些基本概念(Av836329979,P10).mp4 (36.98 MB)
│ │ │ │ ├── 11.11. 11. 11. 2.2 机器学习定义(Av836329979,P11).mp4 (13.05 MB)
│ │ │ │ ├── 12.12. 12. 12. 2.3 机器学习类型(Av836329979,P12).mp4 (16.10 MB)
│ │ │ │ ├── 13.13. 13. 13. 2.4 机器学习的要素(Av836329979,P13).mp4 (30.60 MB)
│ │ │ │ ├── 14.14. 14. 14. 2.5 泛化与正则化(Av836329979,P14).mp4 (13.84 MB)
│ │ │ │ ├── 15.15. 15. 15. 2.6 线性回归(Av836329979,P15).mp4 (31.83 MB)
│ │ │ │ ├── 16.16. 16. 16. 2.7 多项式回归(Av836329979,P16).mp4 (14.58 MB)
│ │ │ │ ├── 17.17. 17. 17. 2.8 线性回归的概率视角(Av836329979,P17).mp4 (26.54 MB)
│ │ │ │ ├── 18.18. 18. 18. 2.9 模型选择与“偏差-方差”分解(Av836329979,P18).mp4 (28.84 MB)
│ │ │ │ ├── 19.19. 19. 19. 2.10 常用的定理(Av836329979,P19).mp4 (12.55 MB)
│ │ │ │ ├── 20.20. 20. 20. 3 线性模型(Av836329979,P20).mp4 (3.37 MB)
│ │ │ │ ├── 21.21. 21. 21. 3.1 分类问题示例(Av836329979,P21).mp4 (29.86 MB)
│ │ │ │ ├── 22.22. 22. 22. 3.2 线性分类模型(Av836329979,P22).mp4 (25.51 MB)
│ │ │ │ ├── 23.23. 23. 23. 3.3 交叉熵与对数似然(Av836329979,P23).mp4 (33.47 MB)
│ │ │ │ ├── 24.24. 24. 24. 3.4 Logistic回归(Av836329979,P24).mp4 (30.65 MB)
│ │ │ │ ├── 25.25. 25. 25. 3.5 Softmax回归(Av836329979,P25).mp4 (20.30 MB)
│ │ │ │ ├── 26.26. 26. 26. 3.6 感知器(Av836329979,P26).mp4 (39.75 MB)
│ │ │ │ ├── 27.27. 27. 27. 3.7 支持向量机(Av836329979,P27).mp4 (33.10 MB)
│ │ │ │ ├── 28.28. 28. 28. 3.8 线性分类模型小结(Av836329979,P28).mp4 (17.78 MB)
│ │ │ │ ├── 29.29. 29. 29. 4 前馈神经网络(Av836329979,P29).mp4 (1.82 MB)
│ │ │ │ ├── 30.30. 30. 30. 4.1 神经元(Av836329979,P30).mp4 (36.80 MB)
│ │ │ │ ├── 31.31. 31. 31. 4.2 神经网络(Av836329979,P31).mp4 (10.07 MB)
│ │ │ │ ├── 32.32. 32. 32. 4.3 前馈神经网络(Av836329979,P32).mp4 (31.08 MB)
│ │ │ │ ├── 33.33. 33. 33. 4.4 反向传播算法(Av836329979,P33).mp4 (24.18 MB)
│ │ │ │ ├── 34.34. 34. 34. 4.5 计算图与自动微分(Av836329979,P34).mp4 (22.44 MB)
│ │ │ │ ├── 35.35. 35. 35. 4.6 优化问题(Av836329979,P35).mp4 (6.09 MB)
│ │ │ │ ├── 36.36. 36. 36. 5 卷积神经网络(Av836329979,P36).mp4 (10.29 MB)
│ │ │ │ ├── 37.37. 37. 37. 5.1 卷积(Av836329979,P37).mp4 (45.58 MB)
│ │ │ │ ├── 38.38. 38. 38. 5.2 卷积神经网络(Av836329979,P38).mp4 (36.05 MB)
│ │ │ │ ├── 39.39. 39. 39. 5.3 其它卷积种类(Av836329979,P39).mp4 (12.47 MB)
│ │ │ │ ├── 40.40. 40. 40. 5.4 典型的卷积网络(Av836329979,P40).mp4 (41.54 MB)
│ │ │ │ ├── 41.41. 41. 41. 5.5 卷积网络的应用(Av836329979,P41).mp4 (13.04 MB)
│ │ │ │ ├── 42.42. 42. 42. 5.6 应用到文本数据(Av836329979,P42).mp4 (13.11 MB)
│ │ │ │ ├── 43.43. 43. 43. 6 循环神经网络(Av836329979,P43).mp4 (2.38 MB)
│ │ │ │ ├── 44.44. 44. 44. 6.1 给神经网络增加记忆能力(Av836329979,P44).mp4 (22.46 MB)
│ │ │ │ ├── 45.45. 45. 45. 6.2 循环神经网络(Av836329979,P45).mp4 (10.45 MB)
│ │ │ │ ├── 46.46. 46. 46. 6.3 应用到机器学习(Av836329979,P46).mp4 (12.89 MB)
│ │ │ │ ├── 47.47. 47. 47. 6.4 参数学习与长程依赖问题(Av836329979,P47).mp4 (29.63 MB)
│ │ │ │ ├── 48.48. 48. 48. 6.5 如何解决长程依赖问题(Av836329979,P48).mp4 (11.52 MB)
│ │ │ │ ├── 49.49. 49. 49. 6.6 GRU与LSTM(Av836329979,P49).mp4 (13.75 MB)
│ │ │ │ ├── 50.50. 50. 50. 6.7 深层循环神经网络(Av836329979,P50).mp4 (8.10 MB)
│ │ │ │ ├── 51.51. 51. 51. 6.8 循环网络应用(Av836329979,P51).mp4 (16.86 MB)
│ │ │ │ ├── 52.52. 52. 52. 6.9 扩展到图结构(Av836329979,P52).mp4 (11.15 MB)
│ │ │ │ ├── 53.53. 53. 1. 7 网络优化与正则化(Av836329979,P53).mp4 (5.43 MB)
│ │ │ │ ├── 54.54. 54. 2. 7.1 神经网络优化的特点(Av836329979,P54).mp4 (19.25 MB)
│ │ │ │ ├── 55.55. 55. 3. 7.2 优化算法改进(Av836329979,P55).mp4 (22.76 MB)
│ │ │ │ ├── 56.56. 56. 4. 7.3 动态学习率(Av836329979,P56).mp4 (23.38 MB)
│ │ │ │ ├── 57.57. 57. 5. 7.4 梯度方向优化(Av836329979,P57).mp4 (20.93 MB)
│ │ │ │ ├── 58.58. 58. 6. 7.5 参数初始化(Av836329979,P58).mp4 (21.17 MB)
│ │ │ │ ├── 59.59. 59. 7. 7.6 数据预处理(Av836329979,P59).mp4 (12.02 MB)
│ │ │ │ ├── 60.60. 60. 8. 7.7 逐层规范化(Av836329979,P60).mp4 (21.59 MB)
│ │ │ │ ├── 61.61. 61. 9. 7.8 超参数优化(Av836329979,P61).mp4 (11.77 MB)
│ │ │ │ ├── 62.62. 62. 10. 7.9 网络正则化(Av836329979,P62).mp4 (12.71 MB)
│ │ │ │ ├── 63.63. 63. 11. 7.10 暂退法（Dropout）(Av836329979,P63).mp4 (8.84 MB)
│ │ │ │ ├── 64.64. 64. 12. 7.11 ℓ1和ℓ2正则化(Av836329979,P64).mp4 (8.19 MB)
│ │ │ │ ├── 65.65. 65. 13. 7.12 数据增强(Av836329979,P65).mp4 (9.29 MB)
│ │ │ │ ├── 66.66. 66. 14. 7.13 小结(Av836329979,P66).mp4 (2.93 MB)
│ │ │ │ ├── 67.67. 67. 15. 8 注意力机制与外部记忆(Av836329979,P67).mp4 (23.96 MB)
│ │ │ │ ├── 68.68. 68. 16. 8.1注意力机制(Av836329979,P68).mp4 (14.17 MB)
│ │ │ │ ├── 69.69. 69. 17. 8.2 人工神经网络中的注意力机制(Av836329979,P69).mp4 (38.49 MB)
│ │ │ │ ├── 70.70. 70. 18. 8.3 注意力机制的应用(Av836329979,P70).mp4 (29.73 MB)
│ │ │ │ ├── 71.71. 71. 19. 8.4 自注意力模型(Av836329979,P71).mp4 (28.14 MB)
│ │ │ │ ├── 72.72. 72. 20. 8.5 Transformer(Av836329979,P72).mp4 (32.44 MB)
│ │ │ │ ├── 73.73. 73. 21. 8.6 外部记忆(Av836329979,P73).mp4 (12.00 MB)
│ │ │ │ ├── 74.74. 74. 22. 8.7 结构化的外部记忆(Av836329979,P74).mp4 (22.77 MB)
│ │ │ │ ├── 75.75. 75. 23. 8.8 基于神经动力学的联想记忆(Av836329979,P75).mp4 (33.49 MB)
│ │ │ │ ├── 76.76. 76. 24. 8.9 总结(Av836329979,P76).mp4 (2.31 MB)
│ │ │ │ ├── 77.77. 77. 25. 9 无监督学习(Av836329979,P77).mp4 (9.14 MB)
│ │ │ │ ├── 78.78. 78. 26. 9.1 聚类(Av836329979,P78).mp4 (27.17 MB)
│ │ │ │ ├── 79.79. 79. 27. 9.2 K均值方法(Av836329979,P79).mp4 (13.94 MB)
│ │ │ │ ├── 80.80. 80. 28. 9.3 层次聚类(Av836329979,P80).mp4 (6.97 MB)
│ │ │ │ ├── 81.81. 81. 29. 9.4 （无监督）特征学习(Av836329979,P81).mp4 (6.24 MB)
│ │ │ │ ├── 82.82. 82. 30. 9.5 主成分分析(Av836329979,P82).mp4 (15.58 MB)
│ │ │ │ ├── 83.83. 83. 31. 9.6 编码与稀疏编码(Av836329979,P83).mp4 (17.15 MB)
│ │ │ │ ├── 84.84. 84. 32. 9.7 自编码器(Av836329979,P84).mp4 (11.20 MB)
│ │ │ │ ├── 85.85. 85. 33. 9.8 自监督学习(Av836329979,P85).mp4 (7.58 MB)
│ │ │ │ ├── 86.86. 86. 34. 9.9 概率密度估计(Av836329979,P86).mp4 (9.50 MB)
│ │ │ │ ├── 87.88. 88. 36. 9.11 半监督学习(Av836329979,P87).mp4 (5.84 MB)
│ │ │ │ ├── 88.2-神经网络案例-分模块构造神经网络(Av836329979,P88).mp4 (29.29 MB)
│ │ │ │ ├── 89.第一章第一节-神经网络案例-cifar分类任务（3）(Av836329979,P89).mp4 (4.64 MB)
│ │ │ │ ├── 90.3-神经网络案例-训练神经网络完成分类任务(Av836329979,P90).mp4 (30.05 MB)
│ │ │ │ ├── 91.4-神经网络架构-感受神经网络的强大(Av836329979,P91).mp4 (23.57 MB)
│ │ │ │ ├── 92.第一章第一节-神经网络案例-cifar分类任务（1）(Av836329979,P92).mp4 (6.19 MB)
│ │ │ │ ├── 93.第一章第一节-神经网络案例-cifar分类任务（2）(Av836329979,P93).mp4 (7.50 MB)
│ │ │ │ ├── 94.2-损失函数(Av836329979,P94).mp4 (14.95 MB)
│ │ │ │ ├── 95.3-正则化惩罚项(Av836329979,P95).mp4 (9.94 MB)
│ │ │ │ ├── 96.4-softmax分类器(Av836329979,P96).mp4 (18.94 MB)
│ │ │ │ ├── 97.第二章1-线性分类(Av836329979,P97).mp4 (12.30 MB)
│ │ │ │ └── 98.2-挑战与常规套路(Av836329979,P98).mp4 (18.50 MB)
│ │ │ ├── 怎么学.doc (0.01 MB)
│ │ │ ├── exercise-master.zip (14.82 MB)
│ │ │ └── nndl-book.pdf (6.25 MB)
│ │ └── 3.【应用】自然语言处理/
│ │ │ └── 视频/
│ │ │ │ ├── 1.2024年官方最新双语完整版｜CS224N｜斯坦福大学｜精翻中文｜自然语言处(Av1801601230,P1).mp4 (1060.23 MB)
│ │ │ │ ├── 1.CS224N｜01-课程介绍与词向量｜精翻中文｜自然语言处理(Av1554935802,P1).mp4 (392.59 MB)
│ │ │ │ ├── 1.CS224N｜02-神经网络分类器｜精翻中文｜自然语言处理(Av1904933155,P1).mp4 (258.67 MB)
│ │ │ │ ├── 1.CS224N｜03-反向传播和神经网络｜精翻中文｜自然语言处理(Av1554961689,P1).mp4 (240.96 MB)
│ │ │ │ ├── 1.CS224N｜04-句法结构与依存句法分析｜精翻中文｜自然语言处理(Av1054810882,P1).mp4 (276.04 MB)
│ │ │ │ ├── 1.CS224N｜05-循环神经网络（RNNs）｜精翻中文｜自然语言处理(Av1304934016,P1).mp4 (250.71 MB)
│ │ │ │ ├── 1.CS224N｜06-简单和LSTM循环神经网络｜精翻中文｜自然语言处理(Av1204851529,P1).mp4 (263.68 MB)
│ │ │ │ ├── 1.CS224N｜07-翻译模型，序列到序列模型，注意力机制｜精翻中文｜自然语言(Av1154760424,P1).mp4 (233.63 MB)
│ │ │ │ ├── 1.CS224N｜08-自注意力机制和变形器｜精翻中文｜自然语言处理｜2024最(Av1504768986,P1).mp4 (438.61 MB)
│ │ │ │ ├── 1.CS224N｜09-预训练｜精翻中文｜自然语言处理｜2024最新(Av1254941783,P1).mp4 (241.02 MB)
│ │ │ │ ├── 1.CS224N｜10-提示词、人类反馈强化学习 - 2023｜精翻中文｜自然语(Av1454836305,P1).mp4 (363.13 MB)
│ │ │ │ ├── 1.CS224N｜11-自然语言生成｜精翻中文｜自然语言处理｜2024最新(Av1154853441,P1).mp4 (285.66 MB)
│ │ │ │ ├── 1.CS224N｜12-问答模型｜精翻中文｜自然语言处理｜2024最新(Av1254780449,P1).mp4 (192.46 MB)
│ │ │ │ ├── 1.CS224N｜13-指代消解｜精翻中文｜自然语言处理｜2024最新(Av1604815636,P1).mp4 (148.91 MB)
│ │ │ │ ├── 1.CS224N｜14-NLP与语言学之间的洞见｜精翻中文｜自然语言处理｜202(Av1354817570,P1).mp4 (294.07 MB)
│ │ │ │ ├── 1.CS224N｜15 - 为语言模型添加知识｜精翻中文｜自然语言处理｜2024(Av1504886432,P1).mp4 (265.05 MB)
│ │ │ │ ├── 1.CS224N｜16-多模态深度学习，Douwe Kiela｜精翻中文｜自然语(Av1004785817,P1).mp4 (331.03 MB)
│ │ │ │ ├── 1.CS224N｜17-模型分析和解释｜精翻中文｜自然语言处理｜2024最新(Av1604921000,P1).mp4 (629.33 MB)
│ │ │ │ ├── 1.CS224N｜18-NLP和深度学习的未来｜精翻中文｜自然语言处理｜2024(Av1204839838,P1).mp4 (277.19 MB)
│ │ │ │ ├── 1.CS224N｜19 - 模型可解释性与编辑｜精翻中文｜自然语言处理｜2024(Av1654869610,P1).mp4 (365.91 MB)
│ │ │ │ ├── CS224N｜2023更新-Huggingface课程｜精翻中文｜自然语言处理｜2024最新/
│ │ │ │ └── CS224N｜2023年更新-Pytorch入门｜精翻中文｜自然语言处理｜2024最新/
│ │ │ │ │ ├── 1.CS224N｜2023年更新-Pytorch入门｜精翻中文｜自然语言处理｜2(Av1254876091,P1).mp4 (294.43 MB)
│ │ │ │ │ └── 1.CS224N｜2023年更新-Pytorch入门｜精翻中文｜自然语言处理｜2(Av1704752966,P1).mp4 (215.52 MB)
│ ├── 阶段2：大模型技术总览/
│ │ ├── 【脉络】ChatGPT的前世今生/
│ │ │ ├── 【精校】“让我们构建GPT Tokenizer”AI大神Andrej Karpathy最新大模型技术讲座 【中英】/
│ │ │ │ └── 1.【精校】“让我们构建GPT Tokenizer”AI大神Andrej Kar(Av1800818494,P1).mp4 (422.76 MB)
│ │ │ ├── 【精校版】Andrej Karpathy微软Build大会精彩演讲： GPT状态和原理 - 解密OpenAI模型训练/
│ │ │ │ └── 1.【精校版】Andrej Karpathy微软Build大会精彩演讲： GPT(Av954084772,P1).mp4 (775.80 MB)
│ │ │ ├── 【精校珍藏版】大牛Andrej Karpathy的stanford深度学习课程：深入理解Transformer，从零打造最简版GPT/
│ │ │ │ └── 1.【精校珍藏版】大牛Andrej Karpathy的stanford深度学习课(Av699069341,P1).mp4 (690.84 MB)
│ │ │ ├── 【珍藏】从头开始用代码构建GPT - 大神Andrej Karpathy 的“神经网络从Zero到Hero 系列”之七/
│ │ │ │ └── 1.【珍藏】从头开始用代码构建GPT - 大神Andrej Karpathy 的(Av316746341,P1).mp4 (310.35 MB)
│ │ │ ├── 1【脉络】ChatGPT的前世今生/
│ │ │ │ └── ChatGPT 是怎么炼成的 - GPT社会化的过程 (李宏毅)/
│ │ │ │ │ ├── 1.Chat GPT (可能)是怎么炼成的 - GPT社会化的过程 (李宏毅)(Av605964038,P1).mp4 (40.71 MB)
│ │ │ │ │ ├── 2.来自猎人暗黑大陆的模型GPT-3(Av605964038,P2).mp4 (63.34 MB)
│ │ │ │ │ ├── 3.InstructGPT，从人类回馈中学习，ChatGPT的前身（台大）(Av605964038,P3).mp4 (52.78 MB)
│ │ │ │ │ ├── 4.ChatGPT，惊艳众人的会话试AI（台大）(Av605964038,P4).mp4 (13.18 MB)
│ │ │ │ │ └── 5.WebGPT，会搜寻证据的GPT-3（台大）(Av605964038,P5).mp4 (23.34 MB)
│ │ │ ├── 2.Andrej Karpathy大神亲授：大语言模型入门【中英】/
│ │ │ │ └── 1.Andrej Karpathy大神亲授：大语言模型入门【中英】(Av451275641,P1).mp4 (101.92 MB)
│ │ │ ├── 3.InstructGPT 论文精读【论文精读·48】/
│ │ │ │ └── 1.InstructGPT 论文精读【论文精读·48】(Av391906274,P1).mp4 (273.45 MB)
│ │ │ ├── 反向传播和神经网络训练 · 大神Andrej Karpathy 的“神经网络从Zero到Hero 系列”之一/
│ │ │ │ └── 1.反向传播和神经网络训练 · 大神Andrej Karpathy 的“神经网(Av786864921,P1).mp4 (478.12 MB)
│ │ │ ├── 怎么学.doc (0.01 MB)
│ │ │ └── LLM-TAP.pdf (20.19 MB)
│ │ ├── 【手撕】图解系列之Transformer/
│ │ │ ├── 03 什么是预训练（Transformer 前奏）/
│ │ │ │ └── 1.03 什么是预训练（Transformer 前奏）_batch(Av597476503,P1).mp4 (48.82 MB)
│ │ │ ├── 04 统计语言模型（n元语言模型）/
│ │ │ │ └── 1.04 统计语言模型（n元语言模型）_batch(Av812429669,P1).mp4 (121.56 MB)
│ │ │ ├── 05 神经网络语言模型（独热编码+词向量 Word Embedding 的起源）/
│ │ │ │ └── 1.05 神经网络语言模型（独热编码+词向量的起源）_x264(Av639898120,P1).mp4 (111.47 MB)
│ │ │ ├── 06 Word2Vec模型（第一个专门做词向量的模型，CBOW和Skip-gram）/
│ │ │ │ └── 1.06 Word2Vec模型（第一个专门做词向量的模型，CBOW和Skip-g(Av427408361,P1).mp4 (280.94 MB)
│ │ │ ├── 07 预训练语言模型的下游任务改造简介（如何使用词向量）/
│ │ │ │ └── 1.07 预训练语言模型的下游任务改造简介（如何使用词向量）_batch(Av469997099,P1).mp4 (62.20 MB)
│ │ │ ├── 08 ELMo模型（双向LSTM模型解决词向量多义问题）/
│ │ │ │ └── 1.08 ELMo模型（双向LSTM模型解决词向量多义问题）(Av385024424,P1).mp4 (420.35 MB)
│ │ │ ├── 09 Transformer 之什么是注意力机制（Attention）/
│ │ │ │ └── 1.09 Transformer 之什么是注意力机制（Attention）(Av940206553,P1).mp4 (64.85 MB)
│ │ │ ├── 10 Transformer 之 Self-Attention（自注意力机制）/
│ │ │ │ └── 1.10 Transformer 之 Self-Attention（自注意力机制(Av982926827,P1).mp4 (209.49 MB)
│ │ │ ├── 11 Self-Attention 相比较 RNN 和 LSTM 的优缺点/
│ │ │ │ └── 1.12 Self-Attention 相比较 RNN 和 LSTM 的优缺点(Av642878016,P1).mp4 (161.32 MB)
│ │ │ ├── 12 Transformer的掩码自注意力机制，Masked Self-Attention（掩码自注意力机制）/
│ │ │ │ └── 1.12 Transformer的掩码自注意力机制，Masked Self-At(Av897934079,P1).mp4 (91.33 MB)
│ │ │ ├── 13 Transformer的多头注意力，Multi-Head Self-Attention（从空间角度解释为什么做多头）/
│ │ │ │ └── 1.13 Transformer的多头注意力，Multi-Head Self-A(Av897974856,P1).mp4 (277.81 MB)
│ │ │ ├── 14 Transformer之位置编码Positional Encoding （为什么 Self-Attention 需要位置编码）/
│ │ │ │ └── 1.14 Transformer之位置编码Positional Encoding(Av215491720,P1).mp4 (310.43 MB)
│ │ │ ├── 15 Transformer 框架概述/
│ │ │ │ └── 1.15 Transformer 框架概述(Av685604214,P1).mp4 (200.74 MB)
│ │ │ ├── 16 Transformer的编码器（Encodes）——我在做更优秀的词向量/
│ │ │ │ └── 1.16 Transformer的编码器（Encodes）——我在做更优秀的词向(Av428050375,P1).mp4 (305.56 MB)
│ │ │ ├── 17 Transformer 的解码器（Decoders）——我要生成一个又一个单词/
│ │ │ │ └── 1.17 Transformer 的解码器（Decoders）——我要生成一个又(Av770666012,P1).mp4 (217.13 MB)
│ │ │ ├── 18 Transformer 的动态流程/
│ │ │ │ └── 1.18 Transformer 的动态流程(Av770639974,P1).mp4 (108.69 MB)
│ │ │ ├── 19 Transformer 解码器的两个为什么（为什么做掩码、为什么用编码器-解码器注意力）/
│ │ │ │ └── 1.19 Transformer 解码器的两个为什么（为什么做掩码、为什么用编码(Av300673024,P1).mp4 (258.16 MB)
│ │ │ ├── 20 Transformer 的输出和输入是什么/
│ │ │ │ └── 1.20 Transformer 的输出和输入是什么(Av557972960,P1).mp4 (32.07 MB)
│ │ │ ├── 1001 Attention 和 Self-Attention 的区别（还不能区分我就真的无能为力了）/
│ │ │ │ └── 1.1001 Attention 和 Self-Attention 的区别（还不(Av343699395,P1).mp4 (26.80 MB)
│ │ │ ├── 1401 位置编码公式详细理解补充/
│ │ │ │ └── 1.1401 位置编码公式详细理解补充(Av813302743,P1).mp4 (192.66 MB)
│ │ │ ├── 怎么学.doc (0.01 MB)
│ │ │ └── Transformer和BERT看不懂来这里，告诉你他们的前世今生，必能懂/
│ │ │ │ └── 1.Transformer和BERT看不懂来这里，告诉你他们的前世今生，必能懂(Av554805766,P1).mp4 (54.14 MB)
│ │ └── 【原理】大模型原理/
│ │ │ ├── 新建文件夹/
│ │ │ ├── 怎么学.doc (0.01 MB)
│ │ │ └── LLM-TAP.pdf (20.19 MB)
│ ├── 阶段3：大模型部署实战/
│ │ ├── 【产品化】压力测试/
│ │ │ └── 【产品化】压力测试.doc (0.01 MB)
│ │ ├── 【框架】FastAPI后端框架/
│ │ │ └── 【框架】FastAPI后端框架.doc (0.01 MB)
│ │ └── 【实战】清华ChatGLM2-6B开源大模型部署/
│ │ │ └── 【实战】清华ChatGLM2-6B开源大模型部署.doc (0.01 MB)
│ ├── 阶段4：prompt提示工程实战/
│ │ ├── 【进阶】提示工程高级用法/
│ │ │ └── 【进阶】提示工程高级用法.doc (0.01 MB)
│ │ ├── 【入门】吴恩达Prompt公开课/
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 1.chatGPT提示词工程进阶教学 _ 第一期：引入 (Lesson01 in(Av826343014,P1).mp4 (19.48 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 2.chatGPT提示词工程进阶教学 _ 第二期：如何更清晰、更具体地书写提示词(Av826343014,P2).mp4 (200.86 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 3.chatGPT提示词工程进阶教学 _ 第三期：如何更好地迭代提示词 (Les(Av826343014,P3).mp4 (109.59 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 4.chatGPT提示词工程进阶教学 _ 第四期：如何用大语言模型总结文本 (L(Av826343014,P4).mp4 (68.08 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 5.chatGPT提示词工程进阶教学 _ 第五期：如何使用大语言模型的语义推理 (Av826343014,P5).mp4 (125.25 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 6.chatGPT提示词工程进阶教学 _ 第六期：如何使用大模型进行文本转换 ((Av826343014,P6).mp4 (39.18 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 7.chatGPT提示词工程进阶教学 _ 第七期：如何使用chatGPT的温度值(Av826343014,P7).mp4 (30.86 MB)
│ │ │ ├── chatGPT提示词工程进阶教学 _ 汉化：跃迁AI - 8.chatGPT提示词工程进阶教学 _ 第八期：如何构建自己的聊天机器人？ ((Av826343014,P8).mp4 (18.89 MB)
│ │ │ └── prompt-tutorial-main.zip (2.48 MB)
│ │ └── 【原理】大白话提示工程/
│ │ │ └── 【原理】大白话提示工程.doc (2.21 MB)
│ ├── 阶段5：基于langchain搭建LLMs应用/
│ │ ├── 【实战】LangChain实战项目/
│ │ │ └── 学习资料.docx (0.01 MB)
│ │ └── 【原理】LangChain工具学习/
│ │ │ └── 学习资料.docx (0.01 MB)
│ ├── 阶段6：基于垂直数据大模型微调/
│ │ ├── 1.距离精讲 2024-02-01 22_33 .mp4 (141.90 MB)
│ │ ├── 2.向量数据库基础 2024-02-01 23_31.mp4 (172.58 MB)
│ │ ├── 大模型训练营1.大模型综述 2024-02-01 08_42.mp4 (136.17 MB)
│ │ ├── 大模型训练营2.大数据和大模型，常见分词方法 .mp4 (198.04 MB)
│ │ ├── 大模型训练营3：项目实战：文旅对话大模型实战（模型参数微调.mp4 (202.63 MB)
│ │ ├── 大模型训练营4：prefixtuning和adapter.mp4 (260.49 MB)
│ │ ├── 大模型训练营5：lora和langchain 2024-01-31 22_48.mp4 (248.25 MB)
│ │ ├── 大模型训练营6：模型并行 2024-01-31 22_01.mp4 (221.35 MB)
│ │ ├── 大模型训练营7：GPU的计算原理 2024-01-31 12_46.mp4 (51.21 MB)
│ │ ├── 大模型训练营8：大模型技术一览，一些细节 2024-01-30 22_46.mp4 (358.48 MB)
│ │ ├── 大模型训练营9：大模型面试题 2024-01-30 08_48.mp4 (186.51 MB)
│ │ ├── 代码/
│ │ │ ├── 大模型微调/
│ │ │ │ ├── ChatGLM-Tuning.zip (38.19 MB)
│ │ │ │ └── requirements.txt (0.01 MB)
│ │ │ ├── jinyong/
│ │ │ │ ├── 小说.txt (0.01 MB)
│ │ │ │ ├── data/
│ │ │ │ │ ├── 金庸-白马啸西风.txt (0.20 MB)
│ │ │ │ │ ├── 金庸-碧血剑.txt (1.32 MB)
│ │ │ │ │ ├── 金庸-飞狐外传.txt (1.34 MB)
│ │ │ │ │ ├── 金庸-连城诀.txt (0.68 MB)
│ │ │ │ │ ├── 金庸-鹿鼎记.txt (3.61 MB)
│ │ │ │ │ ├── 金庸-射雕英雄传.txt (2.79 MB)
│ │ │ │ │ ├── 金庸-神雕侠侣.txt (2.92 MB)
│ │ │ │ │ ├── 金庸-书剑恩仇录.txt (1.52 MB)
│ │ │ │ │ ├── 金庸-天龙八部.txt (3.66 MB)
│ │ │ │ │ ├── 金庸-侠客行.txt (1.10 MB)
│ │ │ │ │ ├── 金庸-笑傲江湖.txt (2.90 MB)
│ │ │ │ │ ├── 金庸-雪山飞狐.txt (0.41 MB)
│ │ │ │ │ ├── 金庸-倚天屠龙记.txt (2.85 MB)
│ │ │ │ │ ├── 金庸-鸳鸯刀.txt (0.10 MB)
│ │ │ │ │ └── 金庸-越女剑.txt (0.05 MB)
│ │ │ │ ├── download.py (0.00 MB)
│ │ │ │ ├── finetune_lora.py (0.00 MB)
│ │ │ │ ├── get_qa.py (0.00 MB)
│ │ │ │ ├── get_train_data.py (0.00 MB)
│ │ │ ├── PPT/
│ │ │ │ ├── 大模型的数据处理.pptx (3.15 MB)
│ │ │ │ ├── 大模型技术串讲.pptx (7.36 MB)
│ │ │ │ ├── 大模型技术总结.pptx (4.20 MB)
│ │ │ │ ├── 大模型微调.pptx (4.95 MB)
│ │ │ │ ├── 大模型综述.pptx (6.30 MB)
│ │ │ │ ├── 技术架构.pptx (0.04 MB)
│ │ │ │ ├── 旅游数据.csv (0.98 MB)
│ │ │ │ ├── 羊驼系列大模型.pptx (6.70 MB)
│ │ │ │ ├── chatGLM模型精讲.pptx (0.97 MB)
│ │ │ │ ├── GPU原理.pptx (29.60 MB)
│ │ │ │ └── modeling_chatglm.py (0.05 MB)
│ │ │ └── rag/
│ │ │ │ ├── chat.py (0.00 MB)
│ │ │ │ ├── disease_names (0.01 MB)
│ │ │ │ ├── get_disease_name.py (0.00 MB)
│ │ │ │ ├── knowledge (699.97 MB)
│ │ │ │ ├── MedDialog_processed/
│ │ │ │ │ ├── english-dev.json (0.06 MB)
│ │ │ │ │ ├── english-test.json (0.05 MB)
│ │ │ │ │ ├── english-train.json (0.40 MB)
│ │ │ │ │ ├── test_data.json (198.63 MB)
│ │ │ │ │ ├── train_data.json (1588.06 MB)
│ │ │ │ │ └── validate_data.json (199.20 MB)
│ │ │ │ ├── process_data.py (0.00 MB)
│ │ │ │ ├── RAG.pptx (3.81 MB)
│ │ │ │ ├── requirements.txt (0.00 MB)
│ │ │ │ └── train_similar_model/
│ │ ├── 预习资料1：Attention模型.mp4 (345.30 MB)
│ │ └── 预习资料：Transformer和bert 2024-02-02 08_56.mp4 (241.67 MB)
│ ├── 阶段7：大语言模型的训练和构建/
│ │ ├── 本阶段作业和考试.docx (0.01 MB)
│ │ ├── 视频/
│ │ │ ├── 1.参数高效微调与BitFit实战.mp4 (54.13 MB)
│ │ │ ├── 2.Prompt-Tuning原理与实战.mp4 (91.05 MB)
│ │ │ ├── 3.P-Tuning.mp4 (30.91 MB)
│ │ │ ├── 4.prefix tuning原理与实战.mp4 (74.70 MB)
│ │ │ ├── 5.LoRA 原理与实战.mp4 (116.44 MB)
│ │ │ ├── 6.IA3 原理与实战.mp4 (59.43 MB)
│ │ │ └── 7.PEFT 进阶操作.mp4 (53.76 MB)
│ │ └── 资料.docx (0.01 MB)
│ ├── 阶段8：大模型分布式并行训练/
│ │ ├── 本阶段作业和考试.docx (0.01 MB)
│ │ ├── 阶段8学习资料.doc (0.02 MB)
│ │ └── 怎么学？.docx (0.01 MB)
│ ├── 阶段9：产品级LLM推理优化方法论/
│ │ └── 学习资料.doc (0.02 MB)
│ ├── 阶段10：推理引擎部署与优化实战/
│ │ ├── 本阶段作业和考试.docx (0.01 MB)
│ │ ├── 学习资料.doc (0.02 MB)
│ │ └── 怎么学.docx (0.01 MB)
│ ├── 阶段11：综合项目实战1/
│ │ ├── 丁师兄综合项目实战项目.zip (3792.94 MB)
│ │ └── 项目实战1：智能座舱汽车知识大脑_files/
│ │ │ ├── 0 (0.00 MB)
│ │ │ ├── 3.0de45f83.async.js.下载 (0.06 MB)
│ │ │ ├── 11.3482e800.async.js.下载 (0.14 MB)
│ │ │ └── tracert_a385.js.下载 (0.26 MB)
│ ├── 阶段12：LLM大型复杂项目实战/
│ │ ├── 项目实战2：大模型金融对话交互系统_files/
│ │ │ ├── 0 (0.00 MB)
│ │ │ ├── 3.0de45f83.async.js (0.06 MB)
│ │ │ ├── 11.3482e800.async.js (0.14 MB)
│ │ │ ├── 13.085ae665.chunk.css (0.01 MB)
│ │ │ ├── c__AdBlockTip.8c964173.async.js (0.00 MB)
│ │ └── 项目实战2：法律方向智能问答系统/
│ │ │ ├── 大模型综合项目二.zip (1626.86 MB)
│ │ │ ├── 简历模版-项目实战2.md (0.01 MB)
│ │ │ ├── 项目题库-项目实战2.md (0.03 MB)
│ │ │ ├── allpdf-part1.zip (13317.85 MB)
│ │ │ ├── allpdf-part2.zip (11297.70 MB)
│ │ │ └── allpdf-part3.zip (9323.77 MB)
│ └── 面试题目/
│ │ ├── 高频面试题-阶段1.html (0.58 MB)
│ │ ├── 高频面试题-阶段2.html (0.58 MB)
│ │ ├── 高频面试题-阶段3.html (0.58 MB)
│ │ ├── 高频面试题-阶段4.html (0.58 MB)
│ │ └── 面试宝典/
│ │ │ ├── 01大模型（LLMs）基础面/
│ │ │ │ ├── 01大模型（LLMs）基础面.pdf (0.78 MB)
│ │ │ │ ├── 02Layer normalization 篇.pdf (0.42 MB)
│ │ │ │ ├── 03LLMs 激活函数篇.pdf (0.35 MB)
│ │ │ │ ├── 04Attention 升级面.pdf (0.37 MB)
│ │ │ │ ├── 05transformers 操作篇.pdf (0.19 MB)
│ │ │ │ ├── 06LLMs 损失函数篇.pdf (1.01 MB)
│ │ │ │ └── 07相似度函数篇.pdf (0.14 MB)
│ │ │ ├── 02大模型（LLMs）进阶面/
│ │ │ │ └── 大模型（LLMs）进阶面.pdf (3.66 MB)
│ │ │ ├── 03大模型（LLMs）微调面/
│ │ │ │ ├── 1大模型（LLMs）微调面.pdf (14.01 MB)
│ │ │ │ ├── 2大模型 SFT Trick 篇.pdf (3.52 MB)
│ │ │ │ └── 3LLMs 训练经验帖.pdf (0.24 MB)
│ │ │ ├── 04大模型（LLMs）langchain 面/
│ │ │ │ ├── 1大模型（LLMs）langchain 面.pdf (0.59 MB)
│ │ │ │ ├── 2多轮对话中让AI保持长期记忆的8种优化方式篇.pdf (0.30 MB)
│ │ │ │ └── 3基于langchain RAG问答应用实战.pdf (0.33 MB)
│ │ │ ├── 05大模型 RAG 经验面/
│ │ │ │ ├── 1大模型 RAG 经验面.pdf (4.24 MB)
│ │ │ │ ├── 2LLM文档对话 —— pdf解析关键问题.pdf (2.09 MB)
│ │ │ │ ├── 3大模型（LLMs）RAG 版面分析——表格识别方法篇.pdf (0.95 MB)
│ │ │ │ ├── 4大模型（LLMs）RAG 版面分析——文本分块面.pdf (0.48 MB)
│ │ │ │ ├── 5大模型外挂知识库优化——如何利用大模型辅助召回？.pdf (0.94 MB)
│ │ │ │ ├── 6大模型外挂知识库优化——负样本样本挖掘篇.pdf (1.72 MB)
│ │ │ │ ├── 7RAG（Retrieval-Augmented Generation）评测面.pdf (0.97 MB)
│ │ │ │ ├── 8检索增强生成(RAG) 优化策略篇.pdf (4.10 MB)
│ │ │ │ ├── 9大模型（LLMs）RAG —— 关键痛点及对应解决方案.pdf (1.28 MB)
│ │ │ │ ├── 10大模型（LLMs）RAG 优化策略 —— RAG-Fusion篇.pdf (1.46 MB)
│ │ │ │ └── 11Graph RAG 面 — 一种 基于知识图谱的大模型检索增强实现策略.pdf (0.92 MB)
│ │ │ ├── 06大模型（LLMs）参数高效微调(PEFT) 面/
│ │ │ │ ├── 1大模型（LLMs）参数高效微调(PEFT) 面.pdf (1.49 MB)
│ │ │ │ ├── 2适配器微调（Adapter-tuning）篇.pdf (0.41 MB)
│ │ │ │ ├── 3提示学习（Prompting）篇.pdf (2.80 MB)
│ │ │ │ ├── 4LoRA 系列常见面试题篇.pdf (5.04 MB)
│ │ │ │ ├── 5如何使用 PEFT库 中 LoRA？.pdf (0.65 MB)
│ │ │ │ └── 6大模型 SFT 方式对比篇.pdf (1.70 MB)
│ │ │ ├── 07大模型（LLMs）推理面/
│ │ │ │ └── 大模型（LLMs）推理面.pdf (2.73 MB)
│ │ │ ├── 08大模型（LLMs）增量预训练篇/
│ │ │ │ ├── 1大模型（LLMs）增量预训练篇.pdf (3.72 MB)
│ │ │ │ ├── 2大模型（LLMs）推理加速篇.pdf (3.08 MB)
│ │ │ │ ├── 3增量预训练（Pretrain）样本拼接篇.pdf (0.51 MB)
│ │ │ │ └── 4基于lora的llama2二次预训练.pdf (2.22 MB)
│ │ │ ├── 09大模型（LLMs）评测面/
│ │ │ │ └── 大模型（LLMs）评测面.pdf (1.16 MB)
│ │ │ ├── 10大模型（LLMs）强化学习面/
│ │ │ │ ├── 1大模型（LLMs）强化学习面.pdf (1.48 MB)
│ │ │ │ ├── 2大模型（LLMs）强化学习——RLHF及其变种面.pdf (2.39 MB)
│ │ │ │ ├── 3大模型（LLMs）强化学习—— PPO 面.pdf (0.79 MB)
│ │ │ │ ├── 4RLHF平替算法DPO篇.pdf (2.15 MB)
│ │ │ │ └── 5强化学习在自然语言处理下的应用篇.pdf (1.04 MB)
│ │ │ ├── 11大模型（LLMs）训练集面/
│ │ │ │ ├── 1大模型（LLMs）训练集面.pdf (0.63 MB)
│ │ │ │ └── 2大模型（LLMs）LLM生成SFT数据方法面.pdf (0.81 MB)
│ │ │ ├── 12大模型（LLMs）显存问题面/
│ │ │ │ ├── 1大模型（LLMs）显存问题面.pdf (0.46 MB)
│ │ │ │ └── 2显存优化策略篇.pdf (0.49 MB)
│ │ │ ├── 13大模型（LLMs）分布式训练面/
│ │ │ │ ├── 1大模型（LLMs）分布式训练面.pdf (1.53 MB)
│ │ │ │ ├── 2图解分布式训练（一） —— 流水线并行（Pipeline Parallelism）.pdf (1.42 MB)
│ │ │ │ ├── 3图解分布式训练（二） —— nn.DataParallel篇.pdf (0.74 MB)
│ │ │ │ ├── 4图解分布式训练（三） —— nn.parallel.DistributedDataParallel.pdf (0.96 MB)
│ │ │ │ ├── 5图解分布式训练（四） —— torch.multiprocessing 详细解析.pdf (0.23 MB)
│ │ │ │ ├── 6图解分布式训练（五） —— AMP混合精度训练 详细解析.pdf (0.79 MB)
│ │ │ │ ├── 7图解分布式训练（六）—— Pytorch的 DeepSpeed 详细解析.pdf (3.49 MB)
│ │ │ │ ├── 8图解分布式训练（七）—— accelerate 分布式训练 详细解析.pdf (0.60 MB)
│ │ │ │ ├── 9图解分布式训练（八）—— ZeRO 学习.pdf (2.10 MB)
│ │ │ │ ├── 10大模型分布式训练故障恢复篇.pdf (0.24 MB)
│ │ │ │ └── 11pytorch 分布式计算 坑_bug 梳理篇.pdf (0.62 MB)
│ │ │ ├── 14大模型（LLMs）agent 面/
│ │ │ │ ├── 1大模型（LLMs）agent 面.pdf (1.24 MB)
│ │ │ │ └── 2AI Agent 面 —— 函数调用 Function Call 篇.pdf (1.03 MB)
│ │ │ ├── 15LLMs 位置编码篇/
│ │ │ │ └── LLMs 位置编码篇.pdf (1.45 MB)
│ │ │ ├── 16LLMs Tokenizer 常见面试篇/
│ │ │ │ ├── 1LLMs Tokenizer 常见面试篇.pdf (3.14 MB)
│ │ │ │ ├── 2怎么让英文大语言模型支持中文？（一） —— 构建中文tokenization.pdf (0.61 MB)
│ │ │ │ ├── 3怎么让英文大语言模型支持中文？（二） —— 继续预训练篇.pdf (0.88 MB)
│ │ │ │ └── 4怎么让英文大语言模型支持中文？（三） —— 对预训练模型进行指令微调.pdf (0.36 MB)
│ │ │ ├── 17大模型(LLM)部署框架对比篇/
│ │ │ │ ├── 1大模型(LLM)部署框架对比篇.pdf (3.32 MB)
│ │ │ │ ├── 2大模型（LLMs）加速篇.pdf (0.29 MB)
│ │ │ │ ├── 3LLMs 推理性能面.pdf (0.30 MB)
│ │ │ │ ├── 4LLM（大语言模型）部署加速方法——PagedAttention篇.pdf (0.83 MB)
│ │ │ │ ├── 5大模型推理加速工具 —— vLLM.pdf (1.05 MB)
│ │ │ │ ├── 6LLM（大语言模型）部署加速方法——Faster Transformer篇.pdf (0.59 MB)
│ │ │ │ ├── 7纯Python超轻量高性能LLM推理框架 —— LightLLM.pdf (0.69 MB)
│ │ │ │ ├── 8LLM推理技术之StreamingLLM：如何拥有无限长生成能力.pdf (1.30 MB)
│ │ │ │ └── 9SwiftInfer —— 大模型无限流式输入推理飙升46%，打破多轮对话长度限制.pdf (0.86 MB)
│ │ │ ├── 18大模型幻觉（LLM Hallucination）面/
│ │ │ │ ├── 1大模型幻觉（LLM Hallucination）面.pdf (0.80 MB)
│ │ │ │ ├── 2大模型的幻觉问题篇.pdf (0.40 MB)
│ │ │ │ └── 3如何缓解大模型幻觉？.pdf (0.28 MB)
│ │ │ ├── 19LLMs 对比篇/
│ │ │ │ ├── 1LLMs 对比篇.pdf (3.03 MB)
│ │ │ │ ├── 2大模型-attention mask 篇.pdf (0.09 MB)
│ │ │ │ ├── 3百川智能baichuan7B、13B、53B、baichuan2 总结篇.pdf (1.05 MB)
│ │ │ │ ├── 4LLaMA 常见面试题篇.pdf (0.24 MB)
│ │ │ │ └── 5GPT 经验篇.pdf (0.50 MB)
│ │ │ ├── 20思维链 Chain-of-Thought（COT）篇/
│ │ │ │ ├── 1思维链 Chain-of-Thought（COT）篇.pdf (1.47 MB)
│ │ │ │ ├── 2思维链 Chain-of-Thought（COT）变体篇.pdf (4.75 MB)
│ │ │ │ └── 3小样本提示学习篇.pdf (0.57 MB)
│ │ │ ├── 21LLMs 测试集 中 数据泄露 问题篇/
│ │ │ │ └── LLMs 测试集 中 数据泄露 问题篇.pdf (0.48 MB)
│ │ │ ├── 22MOE（Mixture-of-Experts）篇/
│ │ │ │ ├── 1MOE（Mixture-of-Experts）篇.pdf (1.43 MB)
│ │ │ │ └── 2MOE大模型对比篇.pdf (1.15 MB)
│ │ │ ├── 23大模型蒸馏篇/
│ │ │ │ ├── 1大模型蒸馏篇.pdf (0.44 MB)
│ │ │ │ ├── 2LLMs 浮点数篇.pdf (0.16 MB)
│ │ │ │ └── 3自定义 CUDA 函数的轻量级包装器 —— bitsandbytes篇.pdf (0.20 MB)
│ │ │ ├── 24大模型（LLMs）软硬件配置面/
│ │ │ │ └── 大模型（LLMs）软硬件配置面.pdf (0.08 MB)
│ │ │ ├── 25Token及模型参数准备篇/
│ │ │ │ └── Token及模型参数准备篇.pdf (0.10 MB)
│ │ │ ├── 26多模态常见面试篇/
│ │ │ │ └── 多模态常见面试篇.pdf (0.35 MB)
│ │ │ ├── 27NLP常见面试篇/
│ │ │ │ ├── 1NLP Trick 篇.pdf (0.12 MB)
│ │ │ │ ├── 2文本分类常见面试篇.pdf (0.61 MB)
│ │ │ │ ├── 4命名实体识别常见面试篇.pdf (0.45 MB)
│ │ │ │ └── 5向量检索常见面试篇.pdf (0.32 MB)
│ │ │ ├── 27NLP常见面试篇/
│ │ │ │ └── 3文本摘要常见面试篇.pdf (0.36 MB)
│ │ │ ├── 28其他常见面试篇/
│ │ │ │ └── LLMs 其他 Trick.pdf (0.23 MB)
│ │ │ ├── 29大模型推理加速——KV Cache篇/
│ │ │ │ └── 大模型推理加速——KV Cache篇.pdf (2.67 MB)
│ │ │ ├── 30大模型——角色扮演大模型篇/
│ │ │ │ └── 大模型——角色扮演大模型篇.pdf (2.26 MB)
│ │ │ └── LLMs 目录.pdf (1.59 MB)
免责声明：
1、本站资源所有言论和图片纯属用户个人意见，与本站立场无关
2、本站所有资源收集于互联网，由用户分享，该帖子作者与本站不享有任何版权，如有侵权请联系本站删除
3、本站部分内容转载自其它网站，但并不代表本站赞同其观点和对其真实性负责
4、如本帖侵犯到任何版权问题，请立即告知本站，本站将及时予与删除并致以最深的歉意
1、本站资源所有言论和图片纯属用户个人意见，与本站立场无关
2、本站所有资源收集于互联网，由用户分享，该帖子作者与本站不享有任何版权，如有侵权请联系本站删除
3、本站部分内容转载自其它网站，但并不代表本站赞同其观点和对其真实性负责
4、如本帖侵犯到任何版权问题，请立即告知本站，本站将及时予与删除并致以最深的歉意
评论(0)