登录免费注册



大模型学习

首页  思维导图  详情



大模型学习

2025-10-20 10:48:14   24  举报





AI智能生成

大模型学习

大模型学习

模版推荐

作者其他创作

大纲/内容

硬件的支持

内存

>8G

GPU

支持CUDA架构

GTX 10以上

Python<br>

语法基础

版本：3.12.10

数据类型

数字

字符串

元组（tuple）

小括号 ( )

列表（list）

使用方括号 [ ]

字典（dict）

json对象

集合（set）

java的Set，使用｛｝或者set( )

与java的区别

1、java以分号、{}结尾；python以Tab符控制

2、for循环不同，python使用  for item in 元组、集合等

3、java使用else if；python使用elif

4、与或非不同，java使用||、&&、!；python使用and、or、not

5、Python支持单引号、双引号及三引号多行字符串，Java仅支持双引号<br>

6、构造函数：def __init__(self)

框架

深度学习框架

1、PyTorch<br>

2、TensorFlow<br>

web框架

FastAPI

大模型基础原理

基础知识

大模型的认知和解析

主流大模型介绍

deepseek

稀疏注意力机制，对资源降低了30%-40%<br>

Qwen2

GLM系列

LLama系列

GPT系列

Claude

Gemini

核心原理

架构

Transformer架构

核心参数

参数量

B(十亿)、M（百万）

编码器

解码器

自注意力机制

BERT架构

运行原理

如何理解和表示词

大模型处理单元

token

单元的远近亲疏关系

大模型词义的载体和表现特征

如何理解并预测输入的内容

注意力机制

自注意力机制

基于语义的内容生成

预训练、SFT、RLHF

Prompt提示词工程原理

大模型RGA应用开发

自然语言处理关系

RAG（检索增强生成）

核心

通过检索增强生成内容的准确性

应用场景

适用于翻译、对话系统等需要内容生成的场景，通过整合检索到的资料优化输出结果。如：决策支持系统、企业知识管理、智能客服系统

RAU（检索增强理解）

核心

通过注意力机制改进序列建模

应用场景

常见于知识密集型应用（如问答系统），辅助模型理解专业领域知识或复杂逻辑。如：语音识别

RAG基础知识

基础工具链

Langchain框架

简化基于大型语言模型（LLM）的应用程序开发<br>

LangSmith

LangChain 生态中的核心开发运维工具

GraphRAG

解决传统RAG在复杂查询和多跳推理中的局限性

基于图的检索增强生成的RAG

通过图遍历实现多跳推理（如“A事件→B政策→C产业链”）

大模型Agent智能体

LlamaIndex框架应用

Qwen2.5-vl多模态

Agent应用开发

LangGraph框架深度学习

可视化AI开发框架

MCP模型上下文协议

大模型私有化的微调

目的

1、降低成本

2、提高准确率

方式

1、参数高效微调（PEFT）

主流技术

Adapter Tuning

Prompt Tuning

Prefix Tuning

LoRA低秩适配微调

LoRA的改进与扩展

2、监督微调（SFT）

框架

1、unsloth

2、PyTorch框架

3、HuggingFace Transformers框架

大模型量化实现

子主题

子主题

子主题

多模态模型

大语言模型知识体系与学习路线架构图

 Collect

Get Started

大语言模型知识体系与学习路线架构图

 Collect

Get Started

大模型应用系统架构

 Collect

Get Started

大模型应用培训课程大纲

 Collect

Get Started

大模型maas平台













评论

0 条评论

下一页



图形选择

思维导图

主题

补充说明

AI生成





修改AI描述

去编辑

重新生成

提示 

关闭后当前内容将不会保存，是否继续？

取消

确定

Document