从 NLP 到大语言模型

Base NLP is all you need

注意：本项目当前暂不接受 Pull Request。 如果您有任何建议或发现任何问题，欢迎通过 Issue 进行反馈。

📖 项目简介

本项目是一个从传统 NLP 到大语言模型（LLM）的全栈式学习教程，旨在为开发者提供一条从理论入门到工程实战的清晰路径。

在 LLM 爆发的今天，许多开发者直接上手调用 API 或微调大模型，却往往忽视了底层的自然语言处理（NLP）基础。本项目主张 “Base NLP is all you need”，通过系统性地回顾 NLP 发展历程中的核心技术——从早期的词向量、循环神经网络（RNN），到变革性的 Transformer 架构，再到如今的 BERT、GPT 及 Llama 系列大模型——帮助读者构建坚实的技术护城河。

核心内容覆盖：

1. NLP 理论基石：深入浅出地讲解分词、词向量（Word2Vec）、RNN/LSTM 等经典算法。
2. Transformer 架构：剖析 Attention 机制，详解 Encoder-Decoder 架构，奠定大模型认知基础。
3. 预训练语言模型：全面覆盖 BERT、GPT、T5 等里程碑式模型的设计与应用。
4. 大模型进阶实战：从零手搓 Llama2 模型，掌握参数高效微调（PEFT/LoRA）、RLHF 等前沿技术。
5. 工程化落地：涵盖模型量化、推理加速、Docker 容器化及服务部署的全流程实战。
6. 大模型安全与多模态：探索模型安全挑战、伦理问题，以及图文多模态模型的前沿技术。

🌟 项目意义

随着人工智能技术的飞速发展，掌握大语言模型已成为 AI 工程师的必备技能。然而，市面上的教程往往存在断层。要么过于偏重学术理论，晦涩难懂；要么仅停留在 API 调用的应用层，缺乏底层原理的支撑。

本项目致力于填补这一空白，通过理论与代码并重的方式，帮助开发者：

• 打通知识脉络：理解技术演进的内在逻辑（如：为什么从 RNN 发展到 Transformer？）。
• 掌握核心原理：不仅会用，更懂其“所以然”，具备排查复杂问题和优化模型结构的能力。
• 学习代码演进：采用“提出问题-迭代重构”的教学模式，展示从简易脚本到工业级框架的演变过程，培养真正的工程化思维。
• 提升工程能力：通过 NER、文本分类及 LLM 微调部署等实战项目，积累生产环境下的开发经验。
• 拓宽技术视野：探索大模型安全、多模态等前沿领域，紧跟 AI 技术发展的最新趋势。

🎯 项目受众

本项目适合以下人群学习：

• 🎓 在校学生：希望系统学习 NLP 知识，为科研或求职打下基础。
• 💻 AI 算法工程师：需要从传统机器学习/深度学习转型到大模型领域的开发者。
• 🤔 LLM 爱好者：对大模型底层原理感兴趣，希望深入理解大模型架构运行机制的极客。
• 🔬 研究人员：需要快速回顾 NLP 经典算法或寻找基线代码实现的学者。

前置要求：

• 🟢 Python 基础：熟练掌握 Python 语法及常用数据结构。
• 🔵 PyTorch 框架：具备基本的 PyTorch 深度学习框架使用经验。
• 🟡 数学基础：了解基本的线性代数、概率论及梯度下降等深度学习概念。

✨ 项目亮点

1. 体系化进阶路径：从基础的文本表示到 RLHF 和量化技术，内容层层递进。
2. 手写核心代码：拒绝"调包侠"，带领读者手写 Llama2、Transformer 等核心架构代码。
3. 实战导向：包含文本分类、命名实体识别（NER）、私有数据微调 Qwen2.5 等多个完整项目。
4. 全流程覆盖：不仅教你怎么训练，还教你怎么用 Docker 和 FastAPI 将模型部署成服务。
5. 图文并茂：配合大量图解，将抽象的算法原理可视化，降低学习门槛。
6. 直观易懂：尽量弱化复杂的数学公式推导，让数学基础薄弱的读者也能轻松掌握算法原理。

内容大纲

第一部分：理论篇

• 第1章：NLP简介
  • NLP 概述
• 第2章：文本表示与词向量
  • 初级分词技术
  • 词向量表示
  • 从主题模型到 Word2Vec
  • 基于 Gensim 的词向量实战
• 第3章：循环神经网络
  • 循环神经网络
  • LSTM 与 GRU
• 第4章：注意力机制与Transformer
  • Seq2Seq 架构
  • 注意力机制
  • 深入解析 Transformer
• 第5章：语言模型
  • BERT 结构及应用
  • GPT 结构及应用
  • T5 结构及应用
• 第6章：深入大模型架构
  • 手搓一个大模型
  • [MOE 架构解析]

第二部分：实战篇

• 第1章：文本分类
  • 文本分类简单实现
  • 基于 LSTM 的文本分类
  • 微调 BERT 模型进行文本分类
• 第2章：命名实体识别
  • 命名实体识别概要
  • NER 项目的数据处理
  • 模型构建、训练与推理
  • 模型的推理与优化

第三部分：微调量化篇

• 第1章：参数高效微调
  • PEFT 技术综述
  • LoRA 方法详解
  • 基于 peft 库的 LoRA 实战
  • Qwen2.5 微调私有数据
• 第2章：高级微调技术
  • RLHF 技术详解
  • 基于 Llama Factory 的微调实战
• 第3章：大模型训练与量化
  • Deepspeed 框架介绍
  • AWQ 模型量化实战

第四部分：应用部署篇

• 第1章：模型服务部署
  • FastAPI 模型部署实战
  • 云服务器模型部署实战
  • 使用 Docker Compose 部署模型服务
• 第2章：自动化与性能优化
  • [搭建 Jenkins CI/CD 自动化部署流水线]
  • [运用 TensorRT 加速模型推理]

第五部分：大模型安全

第六部分：多模态前沿

致谢

核心贡献者

• dalvqw-项目负责人（项目发起人与主要贡献者）

特别感谢

• 感谢 @Sm1les 对本项目的帮助与支持
• 感谢所有为本项目做出贡献的开发者们
• 感谢开源社区提供的优秀工具和框架支持
• 特别感谢以下为教程做出贡献的开发者！

Made with contrib.rocks.

参与贡献

• 发现问题请提交 Issue。

Star History

如果这个项目对你有帮助，请给我们一个 ⭐️

让更多人发现这个项目（护食？发来！）

关注我们

扫描下方二维码关注公众号：Datawhale

许可证

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。