# llm-preview

**Repository Path**: jnuhao/llm-preview

## Basic Information

- **Project Name**: llm-preview
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-11
- **Last Updated**: 2026-07-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 理工科-大模型入门实训课程

## 📚 课程背景

  AI时代，大模型原理很重要，但动手实践同样重要。

  在人工智能（AI）迅猛发展的浪潮中，大型语言模型（LLMs）已成为驱动技术创新的核心引擎，深刻改变着科研、产业和社会生活的方方面面。理解其原理是把握技术本质的基础，而动手实践能力则是将知识转化为价值的关键。当前，LLMs的应用已从简单的文本生成渗透到代码编写、数据分析、科研辅助、创意设计等众多领域，具备相关技能已成为未来人才的核心竞争力。

  理论学习与实践操作之间往往存在鸿沟。许多学习者掌握了基础概念，却在面对真实场景（如有效提示、API调用、本地部署、模型微调）时感到无从下手。本课程旨在弥合这一鸿沟，秉持"知行合一"的理念，在系统讲解核心原理的同时，强力聚焦于可落地的实践技能。通过精心设计的实验和项目，学员将不仅理解"为什么"，更能熟练掌握"怎么做"，为未来在AI领域的深造或就业打下坚实的实战基础。

## 🎯 目标人群

  本课程主要面向广大理工科大学生/研究生，特别适合以下背景或目标的学习者：

### 专业背景

  计算机科学、软件工程、人工智能、数据科学、电子信息工程、自动化、数学、统计学以及其他对AI技术有浓厚兴趣的理工科专业学生。

### 知识基础

- 具备基本的编程能力（尤其是Python），能够理解并运行示例代码
- 对机器学习（ML）和深度学习（DL）有初步概念性了解（例如，知道什么是神经网络、训练、推理等）
- 对自然语言处理（NLP）有兴趣，有基础了解更佳

### 学习目标

- 希望超越理论，亲手操作前沿的大模型技术
- 渴望掌握实用技能：如何高效使用提示词（Prompt Engineering）、如何通过API集成大模型能力到应用中、如何在本地或云端部署运行模型、如何根据特定任务微调（Fine-tune）模型
- 寻求理解大模型工作原理的核心要点，知其然更知其所以然
- 有志于未来从事AI相关研究、开发、应用或希望将AI能力赋能本专业领域的学生
- 希望提升自身在AI时代的核心竞争力和实践能力

## 📖 课程大纲

> GPU 云服务器使用教程 [视频课程](https://meeting.tencent.com/crm/2ZegB9XGd4)  
> 理工科-大模型入门实训课程环境镜像 [Autodl 镜像链接](https://www.codewithgpu.com/i/datawhalechina/llm-preview/llm-preview)

### Chapter 1 大模型介绍与环境配置 [视频课程](https://meeting.tencent.com/crm/KDRyY7bo2a)
- 什么是大模型？
- 大模型与传统NLP模型（Bert）有什么不同？
- 服务器环境配置
- 模型下载

### Chapter 2 大模型使用 [视频课程](https://meeting.tencent.com/crm/N1G7XoaM9a)
- API调用云端大模型
- Transformers调用本地大模型
- Vllm高效部署大模型并通过Python调用

### Chapter 3 Prompt Engineering [视频课程](https://meeting.tencent.com/crm/N8vdeQo5cf)
- 基本概念科普
- 提示词技巧
- 提示词书写实例

### Chapter 4 微调大模型 [视频课程](https://meeting.tencent.com/cw/2qDRxvJA63)
- 深度学习基础普及
- 什么是微调
- 高效微调的原理和意义
- 实践4B LLM Lora微调
- 后续学习建议


## 💻 算力需求

### 算力配置

- **显卡**：RTX 4090 24G显存/人
- **内存**：16G以上

### 其他需求

- **操作系统**：Linux服务器
- **CPU**：不要太低，否则处理速度太慢
- **硬盘**：单个机器硬盘50G以上
- **环境**：最好是有某LLM镜像的，至少需要有Pytorch 2.5.1、CUDA 12.4以上

## 📁 项目结构

```
LLM-preview/
├── notebook/
│   ├── chapter1-大模型介绍与环境配置.ipynb
│   ├── chapter2-大模型使用.ipynb
│   ├── chapter3-Prompt Engineering.ipynb
│   ├── chapter4-大模型微调.ipynb
│   └── images
├── .gitignore
├── requirements.txt
├── LICENSE
└── README.md
```

## 🚀 快速开始

1. 克隆项目到本地
```bash
git clone https://github.com/KMnO4-zx/LLM-preview.git
cd LLM-preview
```

2. 按照课程章节顺序学习，每个章节对应一个Jupyter Notebook文件

3. 确保您的环境满足算力需求，特别是GPU和CUDA版本要求

## 🙏 致谢

### 核心贡献者
- [宋志学](https://github.com/KMnO4-zx) (Datawhale成员-中国矿业大学(北京))
- [邹雨衡](https://github.com/logan-zou) (Datawhale成员-对外经济贸易大学)
- [李娇娇](https://github.com/Aphasia0515) (Datawhale成员-西安邮电大学)

### 合作机构及单位

- 上海交通大学计算机学院

<div align=center style="margin-top: 30px;">
  <a href="https://github.com/KMnO4-zx/LLM-preview/graphs/contributors">
    <img src="https://contrib.rocks/image?repo=KMnO4-zx/LLM-preview" />
  </a>
</div>

## 📝 许可证

&emsp;&emsp;本项目采用相应的开源许可证，详见 [LICENSE](LICENSE) 文件。

## 🤝 贡献

&emsp;&emsp;欢迎提交Issue和Pull Request来改进本课程内容。

## 关于 Datawhale

<div align='center'>
    <img src="./images/datawhale.png" alt="Datawhale" width="30%">
    <p>扫描二维码关注 Datawhale 公众号，获取更多优质开源内容</p>
    <p>让我们一起在AI时代掌握大模型的核心技能！ 🎉</p>
</div>