课程：大模型微调原理与实操

求知

文章

文库

Lib

咨询

会员

成功案例

相关课程

全部课程 >人工智能

大模型微调原理与实操

416 次浏览

8 次


Williams
人工智能初创公司合伙人，技术负责人。

时间地点：北京、深圳、上海根据报名开班

课程费用：5000元/人

报公开课

要内训

企业内训：可以根据企业需求,定制内训,详见内训学习手册

认证方式：
培训前了解能力模型。
培训后进行能力评测：

在线考试

能力分析，给出学习建议

合格者颁发证书，作为职业技能资格证明

课程简介：
大模型需要通过微调以便适应具体的应用场景，使得AI提供的支持更加准确，本课程介绍大模型微调的原理和实际操作方法。

课程目标：
通过本课程学习与实践，您将理解与掌握：
1.AI 大模型四阶技术与微调方案
2.大模型轻量级高效微调方法 LoRA
3.大模型开发工具库 Hugging Face Transformers
4.大模型训练技术解读与大模型高效微调工具库 Hugging Face PEFT
5.使用 QLoRA 实现 ChatGLM3-6B 全参数微调
6.基于微调 ChatGLM3-6B 打造个性化 ChatBot
7.结合检索增强生成 (RAG) 的 ChatBot
8.Meta LLaMA-3 预训练技术

培训对象： AI工程师、数据分析师、1年以上工作经验的算法工程师、对技术感兴趣的IT程序员。

学员基础： 无特定要求

授课方式：讲师讲授+现场讨论+案例分析＋模型讲解

培训内容：2天

主题	课程安排
第一节：AI大模型四阶技术与微调方案	提示工程 (Prompt Engineering) AI 智能体 (Agents) 大模型微调 (Fine-tuning) 预训练技术 (Pre-training) 大模型微调技术原理揭秘大语言模型技术发展与演进基于统计机器学习的语言模型基于深度神经网络的语言模型基于 Transformer 的大语言模型大模型高效微调技术 Parameter-Efficient Fine-Tuning(PEFT) 初探 Adapter Tuning Prefix Tuning Prompt Tuning P-Tuning v1 P-Tuning v2
第二节：大模型轻量级高效微调方法LoRA	LoRA ： Low-Rank Adaptation of LLMs QLoRA ： Efficient Finetuning of Quantized LLMs AdaLoRA ： Adaptive Budget Allocation for PEFT Few-shot PEFT 新方法 IA3 ： Better and Cheaper than In-Context Learning 统一微调框架 UniPELT ： Unified Framework for Parameter-Efficient LM Tuning
第三节：大模型开发工具库Hugging Face Transformers	Hugging Face Transformers 库是什么为什么需要 Transformers Transformers 典型使用场景 Transformers 模块化设计安装 Transformers 库 Transformers Pipeline 流水线开箱即用的 Pipeline API 使用 Pipeline 快速实现情绪判断任务使用 Pipeline 快速实现自动摘要任务 Transformers 管道构建 Transformers Model 模型 Transformers 预训练模型支持列表 Transformers 模型加载 Transformers 模型保存 Transformers Tokenizer 分词器常见分词策略 Transformers 分词器加载 Transformers 分词器保存
第四节：大模型训练技术解读与大模型高效微调工具库Hugging Face PEFT	基于人类反馈的强化学习微调技术 RLHF 使用有监督微调 Supervised Fine-tuning(SFT) 预训练语言模型训练奖励模型 Reward Model(RM) 使用强化学习算法微调语言模型混合专家模型 Mixture of Experts(MoE) 技术架构揭秘动态路由模型 Switch Transformer(ST) 专家选择模型 Expert Choice(EC) 通用语言模型 Generalist Language Model(GLaM) HuggingFace PEFT 库是什么 PEFT 典型使用场景 PEFT 基础概念与核心功能安装 PEFT 库使用 PeftConfig 定义和存储模型参数使用 PeftModel 读取和加载自定义模型使用 Auto Classes 简化加载使用 PEFT 库实现 LoRA 模型微调
第五节：实战使用QLoRA实现ChatGLM3-6B全参数微调	模型微调数据集准备流程使用 Hugging Face Datasets 获取开源数据集数据清洗与转换数据加载和编码使用 PEFT QLoRA 微调 ChatGLM3-6B 构建 Transformers 管道定义模型训练模型验证模型使用模型保存模型使用私有化数据训练微调使用 GPT-4 构造高质量数据数据格式转换训练和评估模型运行私有化 ChatGLM3-6B 服务
第六节：实战基于微调ChatGLM3-6B打造个性化ChatBot	个性化 ChatBot 开发环境搭建大模型应用开发框架 LangChain 向量数据库 Chroma 产品设计与功能规划技术方案与架构设计使用 LangChain PromptTemplate 实现提示工程使用 LangChain 调用私有化 ChatGLM3-6B 使用 LangChain Agents 实现 ChatBot 生产级 ChatBot 部署
第七节：实战结合检索增强生成(RAG)的ChatBot	嵌入技术 Embedding Embedding 与大模型的关系 OpenAl Embedding 模型快速上手向量数据库 Chroma Chroma 主要功能接口 LangChain Chroma 模块介绍搭建 ChatBot 知识库使用 GPT 生成领域知识问答对数据清洗使用 OpenAl Embedding 模型向量化问答对数据使用向量 LangChain Chroma 存储问答对向量使用 LangChain 实现结合检索增强生成 (RAG) 的 ChatBot
第八节：实战Meta LLaMA-3预训练技术揭秘	Meta LLaMA 大模型家族 LLaMA-1 大模型系列介绍 LLaMA-2 大模型系列介绍 LLaMA-3 大模型系列介绍在 Hugging Face 使用 Meta 官方发布 LLaMA-2 模型申请 Hugging Face LLaMA-2 访问权限详解 LLaMA-3 大模型优缺点部署运行 Meta 官方 LLaMA3 模型预训练 Meta LLaMA-3 大模型训练数据准备在 Hugging Face 选择合适的开源数据集应用场景导向的中文数据集选取优化数据集 Token 编码效率数据集格式转换使用 QLoRA 技术预训练 LLaMA3 大模型详解全参数量化方法预训练脚本

报公开课

要内训

416 次浏览

8 次

其他人还看了课程

大模型与Sora技术应用 490 次浏览

金融行业人工智能与数据挖掘实战 1789 次浏览

使用GPU和CUDA 提升 Python程序的性能 1006 次浏览

大模型微调原理与实操 416 次浏览

使用ROS2开发机器人应用 1494 次浏览

强化学习及案例实践 2519 次浏览

最新活动计划

MBSE（基于模型的系统工程）4-18[北京]

自然语言处理（NLP） 4-25[北京]

基于 UML 和EA进行分析设计 4-29[北京]

以用户为中心的软件界面设计 5-16[北京]

DoDAF规范、模型与实例 5-23[北京]

信息架构建模（基于UML+EA）5-29[北京]