2024最新黑马博学谷-AI大模型训练营2期

如果你现在的工作里已经出现了「用大模型做点东西」的需求，而你打开代码编辑器却不知道该 import 什么，这门课对应的正是这个缺口。它不是科普课，是训练营：从 Python 语法开始，一路推到 PyTorch 写网络、跑训练、调模型。下面按「缺什么、练什么、学完能回答什么」来说。

缺 Python 的那部分人，先补第一章

前置课的门槛设得很实在：变量、循环、函数、类、文件读写、常用内置库。别嫌浅，后面 PyTorch 的报错信息里一半是 Python 语法和数据结构的问题——张量维度对不上、列表推导式写错、生成器没取完，这些都不是深度学习的问题。判断自己要不要看这一章有个简单办法：给你一段 30 行的 Python 代码，里面用了类继承和装饰器，你能不能逐行说出它在干什么。说不出来，就从这里开始，别跳。

PyTorch 是这门课的主干，不是附属

第二章单独拿出来讲框架，说明它的分量。这里要解决的问题很集中：张量怎么建、形状怎么变（reshape、permute、squeeze 这些操作什么时候用哪个）、自动求导是怎么把 loss 反传回去的、DataLoader 怎么把数据喂进模型、训练循环里那七八行代码每行在干嘛。这些不搞明白，看别人的大模型代码就是看天书。
配套练习的价值在于：让你亲手把一个网络从「跑不起来」调到「loss 在降」。形状不匹配的报错会反复出现，直到你形成条件反射。

神经网络部分：从全连接到能读懂 Transformer

课程涉及神经网络，重点不是让你背公式，而是建立几层认知：全连接层、卷积、注意力机制各自在处理什么类型的关系；损失函数和优化器怎么选；过拟合了怎么办（正则、Dropout、早停）。
这部分学完，你应该能对着一个开源模型的结构图，说出每一块大概在做什么，而不是只认得「这是个模型」。

学完应该能回答的问题

• 给一批自定义数据，能不能自己写 Dataset 和 DataLoader，把训练跑通？
• 训练 loss 不降，你会按什么顺序排查：数据、学习率、网络结构、还是标签？
• PyTorch 里「计算图」在 backward 之后为什么会被释放，这跟写训练循环有什么关系？
• 一个预训练模型拿到手，想在自己的任务上微调，需要改哪几处代码？
• 注意力机制里 Q、K、V 各自代表什么，为什么它比固定窗口的卷积更适合长序列？

这些问题答不上来的，说明对应章节还需要回头动手跑一遍代码，而不是只看视频。

配套资料怎么用

资料包里带了电子书和简历模板。电子书适合在跑代码卡住时当参考手册翻，不适合从头通读——通读容易产生「我懂了」的错觉。简历模板是给转岗的人准备的，但提醒一句：简历上写「熟悉大模型」之前，最好确保上面五个问题你能答出四个，否则面试第一轮就会露馅。

这门课适合两类人：一类是零基础但时间够、愿意手敲代码的；一类是有编程基础、想补深度学习这一块短板的。不适合只想听概念、不动手的人——训练营的形式意味着跳过练习，收获会掉一大半。