本文推荐了5个大模型练手程序帮助初学者掌握大模型开发的基本功。这些程序包括模型转换脚本、自定义模型加载文件、多卡推理类、Channel Loss观察工具等旨在提高开发效率。文章强调这些技能在实际工作中非常实用且面试官通常不会深入考察适合想要快速上手大模型的程序员学习。同时作者也提醒可以通过ChatGPT等工具辅助编程进一步提升学习效果。这篇文章给大家推荐几个大模型的练手程序也就是所谓的“基本功”。先问个问题除了 transformer、rope、swiglu、rms_norm大家觉着大模型的基本功都有哪些呢flash_attention 的原理megatron 的各种 parallel 策略量化和推理加速技术cuda编程怎么说呢这些“有技术含量的大模型的核心技术”确实很重要但我个人还是觉着大多数人在实际工作中并不需要完全理解它们。因为它们追求的是模型性能的极限优化对我们做个简单的 SFT、PPO 并无太大助力。往往我们的需求只是使用它们而不是去优化它们。所以我会给出一些我个人认为工作中很常用但却“没有技术含量”的一些基本功刷面经的同学可以不用看了哈我推荐的基本功面试官不会考的。1、trans_XX_to_llama.py在开源社区llama 的网络结构已经一统江湖了那也就是说 modeling_llama.py 理论上可以 load 起来任何一个开源模型。OK请自行完成以下脚本使得我们可以用 modeling_llama.py 加载任何一个其他开源模型。trans_qwen_to_llama.pytrans_llama_to_qwen.py……完成这些工作你会理解每个开源模型的独特之处比如qwen2 的 q、k、v 的线性变换是有 bias 的baichuan 的 lm_head 之前有一个 normalize() 的操作甚至每个开源模型你都能观察到一些 attention 的魔改。再然后对着他们的论文去找为什么他们的作者要做这些改动能不能从这个过程中学到知识就看各自悟性了。进阶篇trans_llama_to_megatron.py (给定参数 tp 和 pptrans_megatron_to_llama.py并不是所有同学都用 megatron 训代码但用 megatron 训代码的同学这两个脚本是基本功中的基本功了。这里只提醒一下megatron_checkpoint 的 pp_size 实现 merge 和 split 非常简单但在对 tp_size 进行 merge 和 split 的时候一定要留意 megatron 的 gqa 的实现方式。2、modeling_XX.py即然我们已经可以万物转 llama 了那为什么我还一定要使用 modeling_llama.py 呢毕竟modeling_llama.py 在加载模型的时候没有 skip_buildmodeling_llama.py 缺少 stream_generatemodeling_llama.py 文件不支持 sequence_parallelmodeling_llama.py 默认使用 flash_attentionmodeling_llama.py 并没有一个可以作为 reward_model 的 lm_head……因此实现一个属于自己的 modeling_XX.py 吧集百家之长先去收集 modeling_llama.py、modeling_qwen.py、modeling_baichuan.py、modeling_yi.py、modeling_deepseek.py、modeling_glm.py 等所有的开源文件再把各家公司实现的比较好用的 def 加入到自己的 modeling_XX.py 中。这样当市面上出现任何一个新的开源模型我们就都可以通过“trans_newModel_to_myModel.py”快速的对该模型进行微调操作而不用修改任何训练代码。进阶篇我们还可以给自己的 modeling 文件加入很多有趣的东西来助力日常的 debug。比如def show_cos_distance(self, layer)输出某个 layer 的 input_hidden_states 和 output_hidden_states 的余弦距离def show_topk_token(self, layer, K10)输出用某个 layer 去预测 next token 时的最大 K 个 tokendef show_attention(self, layer, tokenA, tokenB)输出第 layer 层的某两个 token 之间的 attention_value。3、multi_infer.pymodel.generate() 我们都再熟悉不过了。在不考虑推理加速等技术时一个客观事实是“8 卡 load 1 个模型、开大 batch_size ”的推理速度远远小于 “8 卡 load 8 个模型、开小 batch_size ”的推理速度。那么有需求了实现一个 class infer (model_path, data_path, output_path, num_workers)根据自己的喜欢可以用 torch_run也可以用 multiprocessing亦或是其他 python 库。达成下面这个目的即可在推理的时候让 1 机 8 卡 load 8 / 4 / 2 / 1 个模型来快速的推理完一大批数据。tips一些写法可能需要给 modeling_XX.py 加入一个 def set_device(self, device_list) 函数毕竟如果每次都用 os.environ[“CUDA_VISIBLE_DEVICES”]“3,4” 来控制使用哪些卡来 load 模型有点不太优雅。进阶篇单机的并行推理已经实现了不妨试试多机的学会用 vllm 等更快的推理框架而不是 model.generate()。Channel Loss在介绍领域模型 post-pretrain 的时候我说过一句话做 domain post-pretrain 不看 channel loss你不如别开 tensorboard。基本大部分情况下post-pretrain 的 loss 曲线都呈“缓慢下降”或“持平”的变化趋势sft 的 loss 曲线都呈“快速下降”且“阶梯状”的变化趋势这个时候除了初始 loss 和最终 loss是否符合预期外我们能从中得到的信息微乎其微。因此把数据划分成不同的数据源对每个数据源的 loss 曲线单独观察就显得尤为有意义这也是研究跷跷板问题的必要环节。题目来了改进训练代码给自己的 sft 数据随机赋予一个 channel然后在训练过程中绘制出每个 channel 的 loss 曲线。tips考虑通过 all_gather_object 实现。进阶篇megatron 由于有 tp 和 pp 存在实现起来难度远大于 deepspeedmodel.trainer() 的训练方式封装的很死如何加入 channel_loss 呢先列出这些吧这些基本功可能对求职没有任何帮助但拿来优化开发效率应该蛮好用的如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】