很多同学接触过 AI，但卡在“只会调 API”或“只能看懂论文摘要”的阶段。这门课直击痛点：大模型在真实业务场景中如何从 0 到 1 落地？它不讲空泛的概念，而是聚焦 NLP 与 CV 两大核心领域的经典大模型，拆解其背后的论文思想与实现逻辑。对于想从“使用者”转型为“开发者”或“架构师”的你，这里没有花哨的噱头，只有基于主流算法源码的硬核解析。你会看到模型结构如何影响推理效率，参数微调策略如何决定最终效果，以及如何在资源受限条件下做出合理取舍。这是把“黑盒”打开的关键一步，适合那些受困于无法复现最新 SOTA 效果、或在项目中不知如何选型与优化的技术学习者。
适合谁看？基础门槛与内容取舍
这门课不是零基础入门，而是面向具备一定编程和机器学习基础的人。你需要熟悉 Python，了解基本的神经网络原理（如 Transformer 架构、注意力机制），并对常见的 NLP 任务（如文本分类、生成、问答）或 CV 任务（如目标检测、图像生成）有基本概念。如果你的数学基础薄弱，建议先复习线性代数与概率论，否则在理解损失函数推导和梯度传播时会吃力。课程筛选了当下主流且经过工业界验证的算法，剔除了过时或过于学术化但缺乏落地场景的模型。重点在于“实战”二字，意味着你需要动手跑通代码，而不是只听课不动脑。如果你连 PyTorch 的基本张量操作都不熟练，请先去补齐框架基础，再回来攻这道大模型的硬骨头。这里的节奏是“理论最小必要集 + 源码深度剖析”，适合追求深度而非广度的进阶者。
学习路径建议与练习方法
不要试图一口气看完所有内容。建议优先掌握 NLP 大模型部分，因为它是当前应用最广泛的领域。先理解预训练模型的架构差异，再深入微调技术（SFT、RLHF 等）。接着进入 CV 部分，对比扩散模型与 GAN 在生成任务上的优劣。学完理论后，必须配合资料包中的源码实例进行复现。重点观察：模型加载时的内存占用、推理速度的瓶颈在哪、不同 batch size 对精度的影响。试着修改关键参数，记录结果变化，建立自己的“模型行为地图”。学完这门课，你应能独立完成一个端到端的项目：从数据清洗开始，选择合适的基座模型，制定微调策略，部署上线并监控指标。你能清晰地向团队解释“为什么选这个模型”、“如何优化推理成本”、“遇到 bad case 该如何迭代”。资料包不仅是代码，更是调试记录的载体，务必保持代码的可复现性，每一步操作都应有对应的日志或注释。最终，你的能力将从“调用者”跃升为“定制者”，具备解决复杂业务场景中 AI 应用难题的独立能力。
课程介绍
随着AI的发展，大模型离我们越来越近，如何利用大模型解决我们自己的业务场景成为核心挑战，本章节以当下流行大模型技术为核心，通俗讲解CV与NLP任务中的经典大模型及其实现方法，详细解读其论文思想与应用场景，并结合实例进行项目实战。所选内容全部基于当下主流算法及其源码实现，覆盖CV与NLP核心应用场景与落地方案。
课程目录
170151zvyi06y0qjv1vjlq.jpg 2024-3-20 20:00 上传 课程介绍： 随着AI的发展，大模型离我们越来越近，如何利用大模型解决我们自己的业务场景成为核心挑战，本章节以当下流行大模型技术为核心，通俗讲解CV与NLP任务中的经典大模型及其实现方法，详细解读其论文思想与应用场景，并结合实例进行项目实战。所选内容全部基于当下主流算法及其源码实现，覆盖CV与NLP核心应用场景与落地方案。 课程目录： AIGC与NLP大模型实战-经典CV与NLP大模型及其下游应用任务实现文件夹 PATH 列表 │ AIGC.txt （课程资料百度云下载地址） │ ├─ 第1章GPT系列算法解读 │ 1-GPT系列算法概述.mp4 │ 2-GPT三代版本分析.mp4 │ 3-GPT初代版本要解决的问题.mp4 │ 4-GPT第二代版本训练策略.mp4 │ 5-采样策略与多样性.mp4 │ 6-GPT3的提示与生成方法.mp4 │ 7-应用场景CODEX分析.mp4 │ 8-DEMO应用演示.mp4 │ 课程简介.mp4 │ ├─ 第2章GPT2训练与预测部署流程 │ 1-生成模型可以完成的任务概述.mp4 │ 2-数据样本生成方法.mp4 │ 3-训练所需参数解读.mp4 │ 4-模型训练过程.mp4 │ 5-部署与网页预测展示.mp4 │ ├─ 第3章chatgpt算法解读分析 │ 1-chatgpt概述.mp4 │ 2-挑战及其与有监督问题差异.mp4 │ 3-强化学习登场.mp4 │ 4-强化学习的作用效果.mp4 │ 5-奖励模型设计方法.mp4 │ 6-RLHF训练流程解读.mp4 │ 7-总结分析.mp4 │ ├─ 第4章 LLM与LORA微调策略解读 │ 1-大模型如何做下游任务.mp4 │ 2-LLM落地微调分析.mp4 │ 3-LLAMA与LORA介绍.mp4 │ 4-LORA微调的核心思想.mp4 │ 5-LORA模型实现细节.mp4 │ ├─ 第5章 LLM下游任务训练自己模型实战 │ 1-提示工程的作用.mp4 │ 2-项目数据解读.mp4 │ 3-源码调用DEBUG解读.mp4 │ 4-训练流程演示.mp4 │ 5-效果演示与总结分析.mp4 │ ├─ 第6章 langchain工具实例 │ 1-langchain框架解读.mp4 │ 2-基本API调用方法.mp4 │ 3-数据文档切分操作.mp4 │ 4-样本索引与向量构建.mp4 │ 5-数据切块方法.mp4 │ ├─ 第7章 视觉大模型SAM │ 1-DEMO效果演示.mp4 │ 2-论文解读分析.mp4 │ 3-完成的任务分析.mp4 │ 4-数据闭环方法.mp4 │ 5-预训练模型的作用.mp4 │ 6-Decoder的作用与项目源码.mp4 │ 7-分割任务模块设计.mp4 │ 8-实现细节分析.mp4 │ 9-总结分析.mp4 │ ├─ 第8章 视觉QA算法与论文解读 │ 1-视觉QA要解决的问题.mp4 │ 2-论文概述分析.mp4 │ 3-实现流程路线图.mp4 │ 4-答案关注区域分析.mp4 │ 5-VQA任务总结.mp4 │ └─ 第9章 扩散模型diffusion架构算法解读 1-扩散模型概述与GAN遇到的问题.mp4 10-基本建模训练效果.mp4 2-要完成的任务分析.mp4 3-公式原理推导解读.mp4 4-分布相关计算操作.mp4 5-算法实现细节推导.mp4 6-公式推导结果分析.mp4 7-细节实现总结.mp4 8-论文流程图解读.mp4 9-案例流程分析.mp4 ├─ 第10章 openai-dalle2论文解读 │ 1-论文基本思想与核心模块分析.mp4 │ 2-不同模块对比分析.mp4 │ 3-算法核心流程解读.mp4 │ 4-各模块实现细节讲解.mp4 │ ├─ 第11章 openai-dalle2源码解读 │ 1-项目整体流程分析.mp4 │ 2-源码实现细节分析.mp4 │ 3-源码公式对应论文分析.mp4 │ 4-Decoder模块实现细节解读.mp4 │ 5-源码实现流程总结.mp4 │ ├─ 第12章 自监督任务-对比学习思想 │ 1-对比学习要解决的问题分析.mp4 │ 2-正负样本构建方法.mp4 │ 3-Simclr框架流程分析.mp4 │ 4-下游任务应用概述.mp4 │ ├─ 第13章 视觉自监督BEIT算法解读 │ 1-视觉自监督任务分析.mp4 │ 2-任务训练目标分析.mp4 │ 3-建模流程分析与效果展示.mp4 │ 4-codebook模块的作用.mp4 │ 5-任务总结分析.mp4 │ ├─ 第14章 视觉自监督任务BEITV2论文解读 │ 1-BEITV2版本论文出发点解读.mp4 │ 2-自监督任务中两大核心任务分析.mp4 │ 3-整体网络架构图分析.mp4 │ 4-框架实现细节流程分析.mp4 │ 5-论文细节模块实现解读.mp4 │ ├─ 第15章 视觉自监督任务BEITV2源码解读 │ 1-mmselfup源码实现解读.mp4 │ 2-网络结构搭建细节解读.mp4 │ 3-源码实现流程总结.mp4 │ ├─ 第16章 BEV感知特征空间算法解读 │ 1-BEV要解决的问题通俗解读.mp4 │ 10-整体架构总结.mp4 │ 2-BEV中的3D与4D分析.mp4 │ 3-特征融合过程中可能遇到的问题.mp4 │ 4-BEV汇总特征方法实例解读.mp4 │ 5-DeformableAttention回顾.mp4 │ 6-空间注意力模块解读.mp4 │ 7-时间模块与拓展补充.mp4 │ 8-论文知识点分析.mp4 │ 9-核心模块论文分析.mp4 │ ├─ 第17章 BEVformer项目源码解读 │ 1-环境配置方法解读.mp4 │ 10-获取当前BEV特征.mp4 │ 11-Decoder级联校正模块.mp4 │ 12-损失函数与预测可视化.mp4 │ 2-数据集下载与配置方法.mp4 │ 3-特征提取以及BEV空间初始化.mp4 │ 4-特征对齐与位置编码初始化.mp4 │ 5-Reference初始点构建.mp4 │ 6-BEV空间与图像空间位置对应.mp4 │ 7-注意力机制模块计算方法.mp4 │ 8-BEV空间特征构建.mp4 │ 9-Decoder要完成的任务分析.mp4 │ ├─ 第18章 补充-视觉大模型基础-deformableAttent │ 1-DeformableAttention概述分析.mp4 │ 2-可变形偏移量分析.mp4 │ 3-应用场景分析解读.mp4 │ 4-论文计算公式解读.mp4 │ 5-整体框架流程实例.mp4 │ 6-下游任务应用场景.mp4 以下是资料目录： │ 第一章：GPT系列.pdf │ 第二章：ChinesePretrainedModels.zip │ ├─第七章：视觉大模型SAM │ SAM.pdf │ ├─第三章：ChatGpt │ GPT系列.pdf │ ├─第九章：扩散模型 │ annotated_diffusion.ipynb │ ├─第五章：LLM下游任务 │ Huatuo-Llama-Med-Chinese-main.zip │ ├─第八章：视觉QA │ From Images to Textual Prompts.pdf │ ├─第六章：langchain │ langchain-tutorials-main.zip │ ├─第十一章：dalle2源码解读 │ DALLE2-pytorch-main.zip │ ├─第十七章：BEVFORMER源码 │ BEV特征空间bevformer.mp4 │ ├─第十三章：BEIT │ beit.pdf │ ├─第十二章：自监督任务对比学习 │ 对比学习.pdf │ ├─第十五章：BEITV2源码 │ mmselfsup-1.x.zip │ ├─第十六章：BEV感知 │ BEV.pdf │ ├─第十四章：BEITV2 │ BEiT v2.pdf │ ├─第十章：dalle2论文解读 │ dalle2.pdf │ └─第四章：LLM与LORA 大模型.pdf
