昇思MindSpore技术公开课
- 探究前沿：解读技术热点，解构热点模型
- 应用实践：理论实践相结合，手把手指导开发
- 专家解读：多领域专家，多元解读
- 开源共享：课程免费，课件代码开源
- 大赛赋能：ICT大赛赋能课程（大模型专题第一、二期）
- 系列课程：大模型专题课程开展中，其他专题课程敬请期待
报名方式
报名链接：https://xihe.mindspore.cn/course/foundation-model-v2/introduction
（注：参与免费课程必须报名哦！同步添加QQ群，后续课程事宜将在群内通知！）
大模型专题第一期(已完结)&第二期（进行中）
第二期课程10月14日起每双周六14：00-15：00在b站进行直播。
每节课程的ppt和代码会随授课逐步上传至github，系列视频回放归档至b站，大家可以在昇思MindSpore公众号中获取每节课的知识点回顾与下节课的课程预告，同时欢迎大家在MindSpore社区领取大模型系列任务进行挑战。
因为课程周期较长，课节安排可能会在中途出现微调，以最终通知为准，感谢理解！
热烈欢迎小伙伴们参与到课程的建设中来，基于课程的趣味开发可以提交至昇思MindSpore大模型平台
如果在学习过程中发现任何课件及代码方面的问题，希望我们讲解哪方面的内容，或是对课程有什么建议，都可以直接在本仓库中创建issue
教研团队
课前学习
课程介绍
昇思MindSpore技术公开课火热开展中，面向所有对大模型感兴趣的开发者，带领大家理论结合时间，由浅入深地逐步深入大模型技术
在已经完结的第一期课程（第1讲-第10讲）中，我们从Transformer开始，解析到ChatGPT的演进路线，手把手带领大家搭建一个简易版的“ChatGPT”
正在进行的第二期课程（第11讲-）在第一期的基础上做了全方位的升级，围绕大模型从开发到应用的全流程实践展开，讲解更前沿的大模型知识、丰富更多元的讲师阵容，期待你的加入！
| 章节序号 |
章节名称 |
课程简介 |
视频 |
课件及代码 |
知识点总结 |
| 第一讲 |
Transformer |
Multi-head self-attention原理。Masked self-attention的掩码处理方式。基于Transformer的机器翻译任务训练。 |
link |
link |
link |
| 第二讲 |
BERT |
基于Transformer Encoder的BERT模型设计：MLM和NSP任务。BERT进行下游任务微调的范式。 |
link |
link |
link |
| 第三讲 |
GPT |
基于Transformer Decoder的GPT模型设计：Next token prediction。GPT下游任务微调范式。 |
link |
link |
link |
| 第四讲 |
GPT2 |
GPT2的核心创新点，包括Task Conditioning和Zero shot learning；模型实现细节基于GPT1的改动。 |
link |
link |
link |
| 第五讲 |
MindSpore自动并行 |
以MindSpore分布式并行特性为依托的数据并行、模型并行、Pipeline并行、内存优化等技术。 |
link |
link |
link |
| 第六讲 |
代码预训练 |
代码预训练发展沿革。Code数据的预处理。CodeGeex代码预训练大模型。 |
link |
link |
link |
| 第七讲 |
Prompt Tuning |
Pretrain-finetune范式到Prompt tuning范式的改变。Hard prompt和Soft prompt相关技术。只需要改造描述文本的prompting。 |
link |
link |
link |
| 第八讲 |
多模态预训练大模型 |
紫东太初多模态大模型的设计、数据处理和优势；语音识别的理论概述、系统框架和现状及挑战。 |
link |
/ |
/ |
| 第九讲 |
Instruct Tuning |
Instruction tuning的核心思想：让模型能够理解任务描述（指令）。Instruction tuning的局限性：无法支持开放域创新性任务、无法对齐LM训练目标和人类需求。Chain-of-thoughts：通过在prompt中提供示例，让模型“举一反三”。 |
link |
link |
link |
| 第十讲 |
RLHF |
RLHF核心思想：将LLM和人类行为对齐。RLHF技术分解：LLM微调、基于人类反馈训练奖励模型、通过强化学习PPO算法实现模型微调。 |
link |
link |
更新中 |
| 第十一讲 |
ChatGLM |
GLM模型结构，从GLM到ChatGLM的演变，ChatGLM推理部署代码演示 |
link |
link |
link |
| 第十二讲 |
多模态遥感智能解译基础模型 |
本次课程由中国科学院空天信息创新研究院研究员 实验室副主任 孙显老师讲解多模态遥感解译基础模型，揭秘大模型时代的智能遥感技术的发展与挑战、遥感基础模型的技术路线与典型场景应用 |
link |
/ |
link |
| 第十三讲 |
ChatGLM2 |
ChatGLM2技术解析，ChatGLM2推理部署代码演示，ChatGLM3特性介绍 |
link |
link |
link |
| 第十四讲 |
文本生成解码原理 |
以MindNLP为例，讲解搜索与采样技术原理和实现 |
link |
link |
link |
| 第十五讲 |
LLAMA |
LLaMA背景及羊驼大家族介绍，LLaMA模型结构解析，LLaMA推理部署代码演示 |
link |
link |
link |
| 第十六讲 |
LLAMA2 |
介绍LLAMA2模型结构，走读代码演示LLAMA2 chat部署 |
link |
link |
link |
| 第十七讲 |
鹏城脑海 |
鹏城·脑海200B模型是具有2千亿参数的自回归式语言模型，在中国算力网枢纽节点’鹏城云脑II’千卡集群上基于昇思MindSpore的多维分布式并行技术进行长期大规模训练。模型聚焦中文核心能力，兼顾英文和部分多语言能力，目前完成了1.8T token量的训练 |
link |
/ |
link |
| 第十八讲 |
CPM-Bee |
介绍CPM-Bee预训练、推理、微调及代码现场演示 |
link |
link |
link |
| 第十九讲 |
RWKV1-4 |
RNN的没落和Transformers的崛起 万能的Transformers？Self-attention的弊端 “拳打”Transformer的新RNN-RWKV 基于MindNLP的RWKV模型实践 |
link |
/ |
link |
| 第二十讲 |
MOE |
MoE的前世今生 MoE的实现基础：AlltoAll通信； Mixtral 8x7b: 当前最好的开源MoE大模型，MoE与终身学习，基于昇思MindSpore的Mixtral 8x7b推理演示。 |
link |
link |
link |
| 第二十一讲 |
高效参数微调 |
介绍Lora、（P-Tuning）原理及代码实现 |
link |
link |
link |
| 第二十二讲 |
Prompt Engineering |
Prompt engineering：1.什么是Prompt？2.如何定义一个Prompt的好坏或优异? 3.如何撰写优质的Prompt？4.如何产出一个优质的Prompt？ 5.浅谈一些我们在进行Prompt的时候遇到的问题。 |
link |
/ |
link |
| 第二十三讲 |
多维度混合并行自动搜索优化策略 |
议题一·时间损失模型及改进多维度二分法/议题二·APSS算法应用 |
上 下 |
link |
|
| 第二十四讲 |
书生.浦语大模型开源全链工具链简介与智能体开发体验 |
在本期课程中，我们有幸邀请到了书生.浦语社区技术运营、技术布道师闻星老师，以及昇思MindSpore技术布道师耿力老师，来详细解读书生.浦语大模型开源全链路工具链，演示如何对书生.浦语进行微调、推理以及智能体开发实操。 |
link |
/ |
link |
| 第二十五讲 |
RAG |
|
|
|
|
| 第二十六讲 |
LangChain模块解析 |
解析Models、Prompts、Memory、Chains、Agents、Indexes、Callbacks模块，及案例分析 |
|
|
|
| 第二十七讲 |
RWKV5-6 |
/ |
|
|
|
| 第二十八讲 |
量化 |
介绍低比特量化等相关模型量化技术 |
|
|
|
昇思资源一览：生态与伙伴共建、共享、共荣
加入我们
评论