全面解析LoRA、QLoRA、RLHF，PPO，DPO，Flash Attention、增量学习等大模型算法

随着大模型的飞速发展，在短短一年间就有了大幅度的技术迭代更新，从LoRA、QLoRA、AdaLoRa、ZeroQuant、Flash Attention、KTO、蒸馏技术到模型增量学习、数据处理、新的开源模型的理解等，几乎每天都有新的发展。

作为算法工程师，面对如此飞快的技术迭代，是否感觉到自己的学习步伐有点跟不上技术的发展？而且对这些新兴技术的理解仅仅停留在应用层面上，实际上对背后的原理没有具体剖析过？如果希望在大模型赛道上持续保持竞争壁垒，对技术本身的深入理解可能也是很必要的选项。 

鉴于这类痛点，并迎合技术的发展，贪心科技一如即往地在这个关键时间点推出《大模型微调算法实战营》，通过3个月的时间，全面掌握大模型领域主流的技术以及背后的精髓，帮大家大大节省学习成本。

下面是7阶段学习安排，对于核心的技术同时也配代表性的项目讲解，感兴趣的朋友们欢迎扫码咨询。  

已为本号用户申请优惠！前20位报名学员享受早鸟福利价！请联系课程顾问老师咨询~

详细大纲

第一阶段：大模型基础第一章：开营典礼

• 介绍课程目标、安排和预期成果

• 明确对学员的要求和期望

• 概述课程中将探讨的项目和技术

• 讨论大模型技术的行业现状

• 推荐关注的工具和开源项目

第二章：大模型是怎么炼成的

• 大模型的定义和重要性

• 大模型发展历程和关键里程碑

• 预训练与微调的基本概念

• 大模型预训练、数据处理、微调、对齐

• 大模型训练的基础设施和资源需求

• 面临的挑战和未来发展方向

第三章：Transformer模型原理剖析（1）

• Transformer模型的基本架构

• Self-Attention机制的原理和计算过程

• Multi-Head Attention的设计和作用

• 注意力权重的计算和可视化

• Self-Attention在模型中的作用和优势

第四章：Transformer模型原理剖析（2）

• Positional Encoding的概念和实现方法

• Rotary Positional Embedding

• BPE tokenizer，SentencePiece Encoding

• Transformer中的Feed-Forward Networks

• Layer Normalization的原理和重要性

• Transformer模型中的残差连接

• 编码器和解码器的结构差异

第五章：Transformer模型原理剖析（3）

• Transformer的训练策略和优化方法

• 参数初始化和学习率调度

• Transformer模型的正则化技术

• Attention机制的变种和改进

• Greedy Decoding, Beam-search

• Top-K Sampling, Top-p Sampling

• Transformer源码解读

第六章：Transformer模型全量微调和高效微调

• 全量微调与高效微调的区别

• Transformer模型微调的常见策略

• 选择合适的微调任务和数据集

• 微调中的挑战和最佳实践

• 评估微调效果的标准和工具

第七章：【项目实战1】大模型PEFT微调项目

• PEFT的安装

• PEFT的使用说明，核心模块讲解

• 指令数据准备和预处理的技巧

• 实施微调的详细步骤

• 微调项目的性能评估和分析

第八章：GPT模型家族剖析

• GPT系列模型的发展历程

• GP1到GPT4，GPT3模型剖析

• GPT代码解读

• InstructGPT模型剖析

• Zero-shot Prompting

• Few-shot Prompting

• GPT模型的局限性和挑战

第九章：LLaMA家族模型剖析

• LLaMA模型的特点和技术创新

• LLaMA模型的原理剖析

• LLaMA源码解读

• LLaMA与其他大模型的对比

• LLaMA模型的训练和微调策略

• 面对LLaMA模型的未来发展方向

第十章：ChatGLM家族模型剖析

• ChatGLM的架构和设计理念

• ChatGLM模型解读

• ChatGLM1到ChatGLM3的技术迭代

• ChatGLM模型的优势和应用领域

• ChatGLM模型微调和部署的实践指南

• ChatGLM模型的评估和性能优化

第十一章：Baichuan家族模型剖析

• Baichuan模型的概述和核心技术

• Baichuan原理剖析和源码解读

• Baichuan模型与其他模型的比较

• Baichuan模型在特定任务上的应用

• 微调Baichuan模型的策略和技巧

• Baichuan模型的局限

第二阶段：大模型指令微调之- LoRA第十二章：指令微调基础

• 指令微调的定义与应用背景

• 指令微调与传统微调的对比

• 指令微调在大模型中的重要性

• 指令微调流程概览

• 指令微调的挑战与策略

第十三章：必要矩阵知识

• 矩阵和向量的基本概念

• 矩阵运算与性质

• 特征值和特征向量

• 矩阵分解（SVD）技术简介

• 矩阵在LoRA算法中的应用

第十四章：LoRA算法剖析

• LoRA算法的原理与动机

• Lora中的Low-rank假设

• LoRA的关键技术组件

• LoRA算法的实现步骤

• LoRA算法的优化与调试

• LoRA算法源码解读

第十五章：指令数据搜集和生成

• 指令数据的重要性与来源

• 自动化和手动搜集指令数据的方法

• 指令数据的预处理和标准化

• 生成高质量指令数据的技巧

• 指令数据集的维护与更新

• 指令数据的人工质量评估与自动质量评估

第十六章：【项目实战2】Alpaca微调大模型

• Alpaca微调项目的设计与目标

• 准备Alpaca微调所需的指令数据

• 实施Alpaca微调的详细步骤

• 评估Alpaca微调效果的方法

• 分析与解决Alpaca微调中遇到的问题

• 解读Alpaca项目源码

第十七章：AdaLoRA算法剖析

• AdaLoRA与LoRa的比较

• 动态改变矩阵权重的意义

• SVD与AdaLoRA

• 训练AdaLoRA

• AdaLoRA源码解读

• AdaLoRA案例讲解

第十八章：【项目实战3】Vicuna微调大模型

• Vicuna微调项目的背景与应用场景

• ShareGPT数据收集

• Vicuna微调的实施流程和技术细节

• Vicuna微调效果的评估与分析

• 基于Vicuna微调项目的经验总结与展望

第三阶段：大模型指令微调之- Quantization

第十九章：模型Quantization基础

• Quantization在深度学习中的作用与原理

• 常见的Quantization技术及其分类

• 模型Quantization对性能和精度的影响

• Quantization的实践步骤和工具

• 模型Quantization的挑战与解决策略

第二十章：QLoRA算法剖析

• QLoRA算法的定义和背景

• QLoRA与LoRA的关键区别和改进

• QLoRA算法的详细实现过程

• 4bit NormalFloat, double quantization

• QLoRA算法的优化和调试技巧

• QLoRA源码解读

第二十一章：【项目实战4】QLoRA微调LLaMA大模型

• 技术方案的设计

• 收集和预处理指令数据

• 基于PEFT进行QLora大模型微调

• 评估QLoRA微调之后的效果

• 分析QLoRA微调过程中遇到的问题及其解决方案

第二十二章：模型Compression技术

• 模型压缩的必要性和技术背景

• 常见的模型压缩方法概述

• 模型压缩与Quantization的关系

• 实施模型压缩的步骤和注意事项

• 模型压缩技术的最新研究进展

第二十三章：模型蒸馏技术探索

• 模型蒸馏的基本概念和工作原理

• 模型蒸馏在模型优化中的应用

• 不同蒸馏技术的比较和选择

• 实施模型蒸馏的具体方法

• 模型蒸馏技术面临的挑战及其解决策略

第二十四章：ZeroQuant算法剖析

• ZeroQuant算法的基本原理和应用背景

• ZeroQuant在模型Quantization中的创新点

• 实现ZeroQuant的关键步骤和技术要求

• ZeroQuant源码解读

• ZeroQuant技术的局限性和未来方向

第二十五章：SmoothQuant算法剖析

• SmoothQuant算法的设计理念和核心技术

• SmoothQuant与传统Quantization方法的区别

• 实施SmoothQuant算法的具体流程

• SmoothQuant源码解读

• SmoothQuant面临的技术挑战和改进路径

第四阶段：大模型对齐之-RLHF第二十六章：RLHF算法概述

• RLHF的起源和背景

• RLHF在人工智能中的作用和重要性

• 强化学习与人类反馈：结合的优势

• RLHF的主要应用领域和案例研究

• 从InstructGPT到GPT4

第二十七章：人类反馈的集成

• 人类反馈在强化学习中的角色

• 不同形式的人类反馈：标注、偏好、指导

• 从人类反馈中学习：方法和策略

• 人类反馈数据的收集和处理

• 人类反馈强化学习的挑战和解决方案

第二十八章：PPO算法概述

• PPO的起源和动机

• PPO与其他策略梯度方法的对比

• 算法核心概念和原理

• PPO的优势和局限性

• PPO的应用领域和案例

第二十九章：强化学习和数据基础

• 强化学习基本概念介绍

• 数据在强化学习中的作用和重要性

• 状态、动作和奖励的数据结构

• 数据收集、处理和利用的方法

• 使用模拟环境进行数据生成和测试

第三十章：策略优化基础

• 策略梯度方法简介

• 优势函数和回报

• 基线的概念和作用

• 累积回报与折扣回报

• 探索与利用的权衡

第三十一章：PPO核心技术细节

• 目标函数和KL散度

• 裁剪目标函数的原理

• 多次迭代优化策略

• 广义优势估计（GAE）

• 重要性采样和策略更新

第三十二章：基于开源大模型从零实现PPO算法

• 构建神经网络模型

• 实现PPO的优化循环

• 自适应学习率调整

• 调试和性能分析技巧

• 评估对齐之后的大模型

第三十三章：高级PPO技术和强化学习进阶

• PPO变体和改进策略

• 处理高维输入和模型泛化

• 多智能体环境中的PPO应用

• 强化学习中的迁移学习和多任务学习

• 强化学习中的安全性和可解释性

第三十四章：【项目实战5】RLHF医疗大模型微调

• 项目需求分析和技术方案设计

• 环境设置和任务定义

• 对齐数据的收集和预处理

• 实现PPO训练流程

• 结果分析和性能优化

第五阶段：大模型对齐之-DPO第三十五章：DPO算法概述

• DPO（Direct Preference Optimization）介绍

• 与PPO算法对比

• DPO的应用场景和重要性

• 基本原理和工作机制

• DPO算法的优势和挑战

第三十六章：排序和偏好的基础

• 偏好与排序问题在AI中的角色

• 数据表示：成对比较和偏好矩阵

• 偏好学习的挑战

• 排序和偏好预测的评估指标

• 经典偏好学习算法概览

第三十七章：DPO核心技术细节

• 偏好建模的数学框架

• 直接与间接偏好优化的对比

• DPO中的关键算法组件

• 成对比较数据的处理方法

• DPO的损失函数和优化策略

第三十八章：DPO算法的从零实现

• 数据整理与预处理

• 构建偏好学习模型的步骤

• 使用Python实现基础DPO模型

• 在benchmark上测试DPO性能

• DPO的优势和缺点

第三十九章：【项目实战6】DPO在推荐系统中的应用

• 推荐系统中的偏好学习

• 设计DPO驱动的推荐算法

• 处理实时用户反馈

• 实施DPO进行推荐模型微调

• 评估推荐系统的性能

第四十章：高级DPO技术

• 多任务学习与DPO的结合

• DPO在非监督学习中的应用

• 深度学习方法与DPO

• 交互式偏好学习

• DPO技术的变种

第六阶段：大模型其他微调技术第四十一章：Prefix Tuning算法剖析

• Prefix Tuning的基本原理

• 实现Prefix Tuning的关键步骤

• Prefix Tuning源码解读

• Prefix Tuning与其他微调方法的比较

• 在NLP任务中应用Prefix Tuning的案例

• Prefix Tuning的局限性和挑战

第四十二章：Adaptor Tuning算法剖析

• Adaptor Tuning的基本原理

• 如何在大模型中插入Adaptor层

• Adaptor Tuning的优点和应用场景

• Adaptor Tuning源码解读

• 实际案例：Adaptor Tuning在分类任务中的应用

• Adaptor Tuning的效率和扩展性问题

第四十三章：Flash Attention算法剖析

• Flash Attention的设计思想和算法原理

• 优化Transformer模型中的注意力机制

• Flash Attention在提升处理速度和效率上的作用

• 应用Flash Attention改进大模型的案例分析

• Flash Attention的实现挑战和解决方案

第四十四章：Flash Attention 2算法剖析

• 介绍Flash Attention 2与前版本的区别

• 深入探讨Flash Attention 2的技术改进点

• Flash Attention 2在复杂任务处理中的应用示例

• 评估Flash Attention 2的性能和适用范围

• Flash Attention 2的实现细节和调优建议

第四十五章：Kahneman-Tversky Optimization (KTO) 算法剖析

• KTO算法背景和理论基础

• Kahneman-Tversky优化在微调中的应用

• 实施KTO的关键技术步骤

• KTO在提高决策质量中的角色

• KTO应用案例和性能分析

第四十六章：【项目实战7】QLoRA+Flash Attention微调大模型

• 结合QLoRA和Flash Attention的微调策略

• 任务选取和数据准备

• 微调流程详解：从预处理到模型评估

• 分析微调后模型的性能改进

• 面临的挑战及解决方案分享

第七阶段：大模型增量学习第四十七章：大模型增量学习概述

• 增量学习（Continual learning）的重要性

• 与传统从零训练的对比

• 增量学习的应用场景

• 任务选取和数据准备

• 微调流程详解：从预处理到模型评估

第四十八章：增量学习与灾难性遗忘

• 什么是灾难性遗忘

• 解决灾难性遗忘的思路

• 正则化、动态网络架构、元学习

• 通用数据与垂直数据的混合训练

• 数据中的信息分析

• 调整学习率

第四十九章：增量学习中的高级主题

• 增量学习在大规模数据集上的应用

• 多模态与跨领域增量学习

• 自适应学习和在线学习技术

• 强化学习与增量学习的结合

• 未来增量学习的发展方向

类别	说明
课程形式	线上直播+课程学习群答疑
课程安排	13次直播授课，每周1次，每次3-3.5小时
课程服务	25人以内学习群，助教答疑，保证遇到的问题被快速解决专属咨询顾问与班主任老师全程伴学全程直播讲解与演示+可反复观看课程视频

课程主讲

郑老师人工智能、大模型领域专家

• 清华大学计算机科学与人工智能研究部博士后
• 长期在大厂从事对话系统，预训练语言模型的研发和商业化
• 主要从事自然语言处理，对话领域的先行研究与商业化
• 先后在AAAI，NeurIPS，ACM，EMNLP等国际顶会及期刊发表高水平论文十余篇

李文哲贪心科技创始人兼CEO人工智能、大模型领域专家

• 多家上市公司技术战略顾问
• 曾任金融科技独角兽公司首席科学家
• 曾任量化投资初创公司首席科学家
• 曾任美国亚马逊推荐系统工程师
• 深耕人工智能领域十余年，授课培养AI学员数万人

报名咨询

已为本号用户申请优惠！前20位报名学员享受早鸟福利价！请联系课程顾问老师咨询~