企业官网建设流程全解析

AI-Guide-and-Demos-zh_CN与李宏毅课程同步学习指南：生成式AI导论作业全解析

AI-Guide-and-Demos-zh_CN是一份全面的AI/LLM大模型入门指南，包含丰富教程和演示代码，特别提供了与李宏毅2024生成式人工智能导论课程同步的中文镜像作业，让学习者从API调用到本地模型部署和微调逐步深入，即使没有显卡也能通过Kaggle或Colab在线版本进行实践学习。

课程与项目完美结合：为什么选择AI-Guide-and-Demos-zh_CN？

李宏毅老师的生成式人工智能导论课程以深入浅出著称，但作业实践往往是学习过程中的难点。AI-Guide-and-Demos-zh_CN项目通过以下优势解决这一痛点：

• 完整中文镜像作业：提供课程全部作业的中文版本，消除语言障碍
• 配套代码实现：每个作业都有对应的Jupyter Notebook实现，包含详细注释
• 多平台支持：代码同时提供Kaggle和Colab在线运行版本，无需本地配置
• 难度分级：从基础到进阶的baseline设计，满足不同水平学习者需求

快速开始：从零搭建学习环境

一键获取项目代码

git clone https://gitcode.com/gh_mirrors/ai/AI-Guide-and-Demos-zh_CN cd AI-Guide-and-Demos-zh_CN

作业文件结构概览

项目中的作业主要集中在以下路径：

• 作业说明文档：GenAI_PDF/ - 包含HW1到HW10的PDF作业说明
• 作业代码实现：Demos/ - 包含各作业的Jupyter Notebook实现
• 学习指导文章：Guide/ - 提供作业相关的理论知识和实现指南

代表性作业解析：以BERT微调抽取式问答为例

作业背景与目标

BERT微调抽取式问答作业（21b. Bert 微调抽取式问答任务 - 作业样例代码.ipynb）源自李宏毅老师2023年机器学习课程的作业7，旨在通过微调BERT模型实现从给定段落中抽取问题答案的能力。

核心任务与数据集

• 任务描述：模型需要预测答案在段落中的开始和结束位置，从而提取答案片段
• 使用数据集：
  • DRCD（繁体中文阅读理解数据集）
  • ODSQA（开放领域中文问答数据集）
• 评价指标：Exact Match（答案完全匹配的比例）

分阶段实现指南

1. 基础实现（Simple baseline）

只需运行提供的代码即可获得基础结果，主要步骤包括：

• 数据加载与预处理
• BERT模型加载
• 简单训练循环实现
• 基本预测与评估

# 基础模型加载示例 from transformers import AutoTokenizer, AutoModelForQuestionAnswering model = AutoModelForQuestionAnswering.from_pretrained("bert-base-chinese").to(device) tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")

2. 中级优化（Medium baseline）

通过学习率调度器提升性能：

• 线性学习率衰减
• Warmup策略
• 批量梯度累积

3. 高级优化（Strong baseline）

• 改进数据预处理
• 尝试不同预训练模型
• 优化窗口滑动策略

4. 专家级优化（Boss baseline）

• 后处理优化
• 模型集成
• 高级超参数调优

Kaggle提交与评估

作业提供了完整的Kaggle竞赛环境，让你可以提交结果并查看排名：

1. 访问Kaggle竞赛页面
2. 运行代码生成result.csv
3. 提交文件并查看Public Score
4. 分析结果并迭代优化

其他重点作业资源

1. 微调LLM：让它会写唐诗

• 文件路径：06. 尝试微调 LLM：让它会写唐诗.ipynb
• 核心内容：使用小样本学习微调语言模型生成唐诗
• 在线版本：Kaggle | Colab

2. LoRA微调Stable Diffusion

• 文件路径：14a. 尝试使用 LoRA 微调 Stable Diffusion 模型.ipynb
• 核心内容：使用PEFT库实现参数高效微调，定制化图像生成
• 配套指南：16. 用 LoRA 微调 Stable Diffusion：拆开炼丹炉，动手实现你的第一次 AI 绘画.md

3. 模型量化技术实践

• 文件路径：16a. 使用 Transformers 加载量化后的 LLM 大模型（GPTQ & AWQ）.ipynb
• 核心内容：学习INT8量化、GPTQ和AWQ等模型压缩技术
• 理论基础：17. 浅谈 RTN 模型量化：非对称 vs 对称.md

学习路径建议

入门阶段（1-2周）

1. 完成环境配置：00. 大模型 API 获取步骤.md
2. 熟悉LLM API使用：01. 初识 LLM API：环境配置与多轮对话演示.md
3. 尝试第一个AI应用：02. 简单入门：通过 API 与 Gradio 构建 AI 应用.md

进阶阶段（3-4周）

1. 学习模型微调基础：08. 尝试微调 LLM：让它会写唐诗.md
2. 掌握LoRA技术：14. PEFT：在大模型中快速应用 LoRA.md
3. 完成BERT问答作业：22b. 作业 - Bert 微调抽取式问答.md

高级阶段（5-6周）

1. 学习模型量化：19a. 从加载到对话：使用 Transformers 本地运行量化 LLM 大模型（GPTQ & AWQ）.md
2. 实践视频摘要：15. 用 API 实现 AI 视频摘要：动手制作属于你的 AI 视频助手.md
3. 探索RAG技术：20. RAG 入门实践：从文档拆分到向量数据库与问答构建.md

常见问题与解决方法

1. 没有高端GPU如何学习？

项目提供了两种解决方案：

• Kaggle/Colab在线环境：所有代码都提供在线运行版本
• 模型量化技术：通过INT8、GPTQ等量化方法降低硬件需求

2. 作业难度如何选择？

每个作业都设计了多个baseline：

• Simple baseline：适合AI初学者
• Medium baseline：适合有一定机器学习基础者
• Strong/Boss baseline：适合希望深入研究的学习者

3. 如何获取帮助？

• 查看作业指导文档：Guide/
• 检查代码中的TODO注释
• 参考Guide/c. 一些问题的解决方法.md

总结：通过实践掌握生成式AI

AI-Guide-and-Demos-zh_CN项目与李宏毅生成式AI课程的结合，为学习者提供了理论与实践并重的学习路径。通过完成这些精心设计的作业，你将逐步掌握从API调用到模型微调、从文本生成到图像创作的全方位AI技能。

无论你是AI领域的新手，还是希望深入了解生成式模型的开发者，这个项目都能为你提供系统、全面的学习体验。立即开始你的AI学习之旅吧！