文件清单 103 项

• 00 不同基础不同目标的学习路径规划.mp4
• [LLaMA]1 LLaMA中的Decoder架构详解.mp4
• [LLaMA]2 LLaMA中的Embedding层.mp4
• [LLaMA]3 RMSNorm均方根层归一化.mp4
• [LLaMA]4 旋转位置编码ROPE.mp4
• [LLaMA]4.5 旋转位置编码的Q&A.mp4
• [LLaMA]5 KV缓存的原理与初步实现.mp4
• [LLaMA]5.5 时间复杂度,机器翻译等Q&A.mp4
• [LLaMA]原理与架构复现 Part 2.mp4

展开全部 103 项

• [LLaMA]原理与架构复现 Part 3.mp4
• [LLaMA]原理与架构复现 Part 4.mp4
• [Transformer]1 Transformer与注意力机制入门.mp4
• [Transformer]2 Attention注意力机制的本质.mp4
• [Transformer]3 Transformer中的注意力计算流程 & 多头注意力机制.mp4
• [Transformer]4 Transformer的基本架构.mp4
• [Transformer]5 Embedding与位置编码.mp4
• [Transformer]6 正余弦编码的数学与实用意义.mp4
• [Transformer]7 正余弦编码的实际计算与高维空间可视化.mp4
• [Transformer]8 编码器结构详解之残差链接.mp4
• [Transformer]9 编码器结构详解之Layer Normalization.mp4
• [Transformer]10 编码器结构详解之前馈神经网络FFN.mp4
• [Transformer]11 完整Transformer结构下的解码器Decoder.mp4
• [Transformer]12 Decoder的输入与teacher forcing.mp4
• [Transformer]13 掩码与掩码注意力机制.mp4
• [Transformer]14 填充掩码与前瞻掩码的实现.mp4
• [Transformer]15 编码-解码注意力层.mp4
• [Transformer]16 Decoder-Only结构下的Decoder.mp4
• 01 环境准备与算力准备.mp4
• 02 预训练微调数据集准备.mp4
• 03 训练定制化Tokenizer.mp4
• 04 llama-like模型的预训练(上).mp4
• 05 llama-like模型的预训练(下).mp4
• 06 指令微调 + 结果展示.mp4
• 01_[神经网络入门]1 SSE与二分类交叉熵损失.mp4
• 02_[神经网络入门]2 二分类交叉熵的原理与实现.mp4
• 03_[神经网络入门]3 多分类交叉熵的原理与实现.mp4
• 04_[DNN]1 梯度下降中的两个关键问题.mp4
• 05_[DNN]2.1 反向传播的原理.mp4
• 06_[DNN]2.2 反向传播的实现.mp4
• 07_[DNN]3 走出第一步:动量法Momentum.mp4
• 08_[DNN]4 开始迭代:batch与epochs.mp4
• 09_[DNN]5.1 在Fashion-MNIST数据集上实现完整的神经网络(上).mp4
• 10_[DNN]5.2 在Fashion-MNIST数据集上实现完整的神经网络(下).mp4
• 11_[RNN]1.1 欢迎来到NLP的世界.mp4
• 12_[RNN]1.2 大模型的行业影响与发展.mp4
• 13_[RNN]2.1 深度学习中的时间序列数据.mp4
• 14_[RNN]2.2 文字序列数据 - 结构与分词操作.mp4
• 15_[RNN]2.3 文字序列数据 - Token与编码.mp4
• 16_[RNN]3.1~3.2 RNN的架构与数据流.mp4
• 17_[RNN]3.3 各类NLP任务下循环神经网络的输入与输出.mp4
• 18_[RNN]3.4.1 认识PyTorch中nn.RNN层.mp4
• 19_[RNN]3.4.2 在PyTorch中实现RNN.mp4
• 20_[RNN]3.4.3 深度神经网络的实现.mp4
• 21_[RNN]3.4.4 自定义循环层中的循环数据流.mp4
• 22_[RNN]3.4.5 双向循环神经网络.mp4
• 23_[RNN]3.4.6[加餐]手动实现RNN执行情感分类任务.mp4
• 24_[RNN]3.4.7[加餐]手动实现RNN执行文本生成任务.mp4
• 25_[RNN]3.5.1 RNN反向传播的数学流程.mp4
• 26_[RNN]3.5.2 RNN各类缺陷的数学本质.mp4
• Lesson 1 张量的创建与常用方法.mp4
• Lesson 2 张量的索引,分片,合并及维度调整.mp4
• Lesson 3 张量的广播和科学运算.mp4
• Lesson 4 张量的线性代数运算.mp4
• Lesson 5 基本优化方法与最小二乘法.mp4
• Lesson 6 动态计算图与梯度下降入门.mp4
• Lesson 7.1 神经网络的诞生与发展.mp4
• Lesson 7.2 机器学习中的基本概念.mp4
• Lesson 7.3 深入理解PyTorch框架.mp4
• Lesson 8.1单层回归神经网络 & Tensor新手避坑指南.mp4
• Lesson 8.2 torch.nn.Linear实现单层回归网络的正向传播.mp4
• Lesson 8.3 二分类神经网络的原理与实现.mp4
• Lesson 8.5 多分类神经网络.mp4
• Lesson 9.1 从异或门问题认识多层神经网络.mp4
• Lesson 9.2 黑箱:深度神经网络的不可解释性.mp4
• Lesson 9.3 & 9.4 层与激活函数.mp4
• Lesson 9.5 从0实现深度神经网络的正向传播.mp4
• 01_[预习课]Lesson 1 谷歌邮箱Gmail注册.mp4
• 02_[预习课]Lesson 2 OpenAI账号注册.mp4
• 03_[预习课]Lesson 3 ChatGPT Plus升级流程.mp4
• 04_[预习课]Lesson 4 ChatGPT防封指南.mp4
• 06_Ch 1.2 本地调用OpenAI API方法.mp4
• 07_Ch 2.1 Completion模型与Chat模型介绍.mp4
• 08_Ch 2.2 Completion.create函数参数详解.mp4
• 09_Ch 2.3 Completion.create函数调参数实践.mp4
• 10_Ch 2.4手动创建可调节对话风格的对话机器人创建.mp4
• 11_Ch 3.1 大语言模型原生能力与涌现能力介绍.mp4
• 12_Ch 3.2 提示工程技术入门.mp4
• 13_Ch 4.1 One-shot&Few-shot提示方法.mp4
• 14_Ch 4.2 Zero-shot-CoT提示法(新).mp4
• 15_Ch 4.3Few-shot-CoT提示法.mp4
• 16_Ch 4.4 LtM提示方法.mp4
• 18_Ch 5.2 针对SCAN数据集的Few-shot-LtM提示工程流程.mp4
• 20_Ch 6.1 Chat Completion模型背景介绍.mp4
• 21_Ch 6.2 Chat Completion模型发展现状.mp4
• 22_Ch 7.1 Chat Completion模型API详解.mp4
• 23_Ch 7.2 Messages参数设置技巧.mp4
• 九天菜菜-[正课]大模型原理与训练实战/
• 第一阶段 大模型顶尖架构原理精讲/
• [赠送]2小时从0到1训练LlaMA模型/
• [赠送]10小时NLP高效入门/
• [赠送]大模型必备PyTorch基础/
• [赠送]大模型入门基础/
• [赠送]python基础/