前言
在学习大语言模型的时候，总会遇到各种各样的名词，像自注意力、多头、因果、自回归、掩码、残差连接、归一化等等。这些名词会让学习者听的云里雾里，觉得门槛太高而放弃。
本教程将会带你从零开始，一步一步的去构建每一个组件，揭开它们的神秘面纱，并最终用这些组件组装成一个迷你版的大语言模型。在构建过程中，我们会从实现原理的角度去剖析这些组件都是做什么的，又是怎么被设计出来的，做到知其然，知其所以然。
不仅如此，本专栏还会带你从零开始一步一步训练这个语言模型，经过预训练(Pretrain)、监督微调(SFT)、偏好学习（DPO）最终训练出一个可以进行对话聊天的大语言模型。整个过程会像探宝一样，你会因为将一个又一个新知识收入囊中而充满惊喜，也会因为弄懂了一个又一个的内部原理而持续收获到原来如此。
专栏内容
本教程大体上可以分为四部分，分别如下：
- 第一部分是关于语言模型的基本认识、分词器和嵌入；
- 第二部分是关于多头因果自注意力、transformer块、GPT模型构建；
- 第三部分是关于预训练、监督微调、偏好学习以及相关训练的数据集处理；
- 最后一部分是关于自回归文本生成、kvcache、推理加速相关的内容；
教程具有清晰的章节结构，完整目录如下：
- ScratchLLMStepByStep：带你从零认识语言模型
- ScratchLLMStepByStep：带你从零认识Tokenizer
- ScratchLLMStepByStep：带你从零训练tokenizer
- ScratchLLMStepByStep：词嵌入和位置嵌入
- ScratchLLMStepByStep：带你从零认识自注意力
- ScratchLLMStepByStep：带你实现因果注意力机制
- ScratchLLMStepByStep：带你实现多头注意力
- ScratchLLMStepByStep：带你构建TransformerBlock
- ScratchLLMStepByStep：带你构建GPTModel（制作中）
- ScratchLLMStepByStep：带你构建高效数据加载器（制作中）
- ScratchLLMStepByStep：带你进行模型预训练（制作中）
- ScratchLLMStepByStep：带你进行分类监督微调（制作中）
- ScratchLLMStepByStep：带你进行指令监督微调（制作中）
- ScratchLLMStepByStep：带你开始DPO偏好学习（制作中）
- ScratchLLMStepByStep：带你评估模型推理性能（制作中）
- ScratchLLMStepByStep：带你压测模型推理性能（制作中）
- ScratchLLMStepByStep：带你实现选词算法（制作中）
- ScratchLLMStepByStep：带你加速模型推理（制作中）
前面几章带链接的已经制作完成，剩下的将会以每周一到两篇的频率更新。
本系列教程有如下特点：
-
可运行的代码示例：每个章节都附有运行示例，帮助您更好地理解理论与实践的结合。
-
一步一步的演示：课程中对每个组件的实现过程都进行了逐步拆解和演示。
-
-
详细的解释：对每一步用到的相关深度学习知识，都进行了解读和拓展说明。
专栏附带资源
为了最大限度的降低学习门槛，本教程附带了可运行的notebook，notebook文件与专栏的教程目录一一对应。
所有的notebook都可以在jupyter中直接运行（内容示例如下）。
教程还附带了每个训练阶段所需数据集的下载地址。
具体数据集的内容因训练类别而有所不同。
- 分词器和预训练的数据格式基本相同，每条数据是一个text（如下所示）。
SFT的训练数据会包含instruction、input和output。
DPO的训练数据针对每条prompt都会有chosen（人类偏好）和reject（非人类偏好）两条回答。
资源在哪里找到？
在每篇文章的相关资料链接上都附有notebook的github地址，打开后就能看到notebook文件和相关数据集文件。
从何处开始？
如果没有模型基础，可以先从认识模型开始，这篇教程会带你逐层解剖模型生成文本的过程：
- 带你从零认识模型
如果不会搭建环境，可以参考下面两篇教程来搭建自己的环境：
- conda&pytorch环境搭建笔记
- vLLM&cuda安装笔记
如果没有使用过jupyter，这里有一篇笔记可以带你入门：
- jupyter学习笔记
结语
我们设定本课程为付费模式的初衷有以下几点：
- 对内容创作者的支持：本教程是经过多次实践整理而成的，付费将激励作者创作更多优质的教学内容，并回馈给广大的读者。
- 学习的承诺：支付一小笔费用（仅相当于请作者喝了一杯咖啡），可以激励学习者投入更多时间与精力，努力回报这笔小的投资。
注：如果付费后github地址由于网络原因访问不顺畅，可以用csdn的私信功能联系获取。
