当前2024年，LLM领域发展日新月异，很多新的实用技术层出不穷，个人认为要跟上LLM的发展，需要掌握以下内容，并需要不断地跟踪学习。

入门LLM前置基础

• 深度学习基础知识：推荐李宏毅的深度学习课程
• Python和numpy：推荐菜鸟教程
• Pytorch框架的使用：推荐官方的60分钟教程

以上这些是敲门砖，默认已经掌握。大模型书籍获取：公煮号：【AI智能江河】

理论基础

• Transformer：LLM基础组件，必需掌握
• The Illustrated Transformer：图解Transformer，配合论文一起食用效果更佳
• RoPE：当前大模型必备的位置编码
• RMSNorm：LayerNorm的升级版(简化版)，LLM最常用的归一化方法
• GPT：GPT系列鼻祖论文
• GPT2：Language Models are Unsupervised Multitask Learners
• GPT-3：第一个千亿大模型，大力出奇迹
• InstructGPT：ChatGPT前身
• GPT4：OpenAI技术报告
• LLama：最热门的开源LLM
• LLama2：最热门的开源LLM，结合代码学习效果更好

掌握以上内容基本就能理解当前LLM的原理，对模型的计算过程有一个整体上的认识，就能知道为什么LLM的回答是一个接着一个输出的。

进阶知识

如果需要利用LLM完成应用或者对模型进行改进，就需要更加深入一点的了解。要掌握模型的训练推理过程，常见的加速方法以及前沿方向。

• ZeROZeRO-Offload、ZeRO-Infinity：大模型训练微调最常用的DeepSpeed框架的基础
• FlashAttention：现代LLM加速必备，白给的加速谁会不要？
• PagedAttention：灵感来源于操作系统的LLM显存管理算法，把LLM显存开销打下来了
• MQA、GQA：针对Attention模块的优化算法，多个Query共享Key和Value，加速推理
• LoRA：低资源微调模型的方法，让没有A100的“科研平民”也能上手LLM微调的神器
• MoE：混合专家模型，当前研究的热点，未来LLM的潜在新形态
• ...

实操教程

推荐以下三个项目：

nanoGPT：以GPT-2为Baseline，详细地介绍了LLM训练和推理的过程，代码简洁易懂，极适合入门实操。K神出品，必属精品

LLMs-from-scratch：一本正在连载中的书籍配套项目，从零开始教你如何实现并训练推理LLM，每一部分都有详细的notebook，可以单步执行，了解每一步模型都做了什么，把LLM拆开了揉碎了展现在你面前。

llama.cpp：一个没有第三方依赖的纯C++的高性能LLM推理框架，也能训练。支持当前大多数主流LLM，内容很丰富，上手使用也算简单。不过由于涉及底层优化，想要优化该项目的话需要一定的计算机底层知识，适合有一定经验的选手学习。

再推荐一本人大出版的大模型电子书籍《大语言模型》，详细介绍了语言模型的发展脉络和知识，不仅包含算法原理模型结构，还包含了数据处理和训练推理步骤讲解，甚至连代码都有中文注释，对新手友好。书中详细地介绍了LLM的训练、推理和评价阶段，训练阶段包含预训练、指令微调、偏好对齐等阶段步骤和数据处理，推理阶段介绍了解码算法、量化、蒸馏、剪枝等加速手段，评测部分介绍了常见的评测任务和指标，非常适合系统地入门学习LLM，这是我读过最适合新手的LLM书籍~

封面

大模型书籍获取：公煮号：【AI智能江河】