原项目与地址:《LLMs-from-scratch》
本项目是对GitHub项目《LLMs-from-scratch》内容的中文翻译，包括详细的markdown 笔记和相关的jupyter 代码。翻译过程中，我们尽可能保持原意的准确性，同时对部分内容进行了语序和表达的优化，以更贴合中文学习者的阅读习惯。需要特别说明的是，原作者为该项目的主要贡献者，本汉化版本仅作为学习辅助资料，不对原内容进行修改或延伸。
由于个人能力有限，翻译中可能存在不完善之处，欢迎提出宝贵意见并多多包涵 希望通过这一翻译项目，更多中文学习者能够从中受益，也希望为国内社区的 LLM 学习和研究贡献一份力量。
本项目的特色： jupyter代码均有详细中文注释，帮助大家更快上手实践。 诸多的附加材料可以拓展知识
本项目所用徽章来自互联网，如侵犯了您的图片版权请联系我们删除，谢谢。
提到大型语言模型（LLMs），我们可能会将其视为独立于传统机器学习的领域，但实际上，LLMs 是机器学习的一个重要分支。在深度学习尚未广泛应用之前，机器学习在许多领域（如语音识别、自然语言处理、计算机视觉等）的作用相对有限，因为这些领域往往需要大量的专业知识来应对复杂的现实问题。然而，近几年深度学习的快速发展彻底改变了这一状况，使 LLMs 成为推动人工智能技术革命的关键力量。
原项目与地址:《LLMs-from-scratch》 https://github.com/rasbt/LLMs-from-scratch.git
在 《LLMs-from-scratch》项目中，不仅关注 LLMs 的基础构建，如 Transformer 架构、序列建模 等，还深入探索了 GPT、BERT 等深度学习模型 的底层实现。项目中的每一部分均配备详细的代码实现和学习资源，帮助学习者从零开始构建 LLMs，全面掌握其核心技术。
- 英文原版地址：原版地址
- 教材网址：原版教材
- 汉化地址：https://github.com/MLNLP-World/LLMs-from-scratch-CN.git
此外，本门课程还有相应的代码实现。每章都有相应的jupyter记事本，提供模型的完整python代码，所有的资源都可在网上免费获取。
这个仓库包含了开发、预训练和微调一个类似GPT的LLM（大型语言模型）的代码，是《从零构建大模型》这本书的官方代码仓库，书籍链接：从零构建大模型。
在《从零构建大模型》这本书中，您将逐步了解大型语言模型（LLMs）如何从内到外工作，自己动手编写代码，逐步构建一个LLM。在这本书中，我将通过清晰的文字、图示和示例，带您完成构建自己LLM的每一个阶段。
本书描述的训练和开发自己的小型功能性模型的方法，旨在教育用途，类似于用于创建大规模基础模型（如ChatGPT背后的模型）的方法。此外，本书还包括加载更大预训练模型权重进行微调的代码。
- 官方源代码仓库链接
- 汉化版本汉化仓库链接
- 出版商网站上的书籍链接
- Amazon.com上的书籍页面链接
- ISBN 9781633437166
要下载此仓库的副本，请点击下载ZIP按钮，或者在终端中执行以下命令：
git clone --depth 1 https://github.com/GoatCsu/LLMs-from-scratch-CN-CSU.git要下载此仓库汉化版本，请点击下载ZIP按钮，或者在终端中执行以下命令：
git clone --depth 1 https://github.com/MLNLP-World/LLMs-from-scratch-CN.git(如果您是从Manning网站下载的代码包，请访问官方代码仓库 https://github.com/rasbt/LLMs-from-scratch 获取最新的更新 或者汉化版本https://github.com/MLNLP-World/LLMs-from-scratch-CN.git)
请注意，本文档是一个Markdown (.md) 文件。如果您是从Manning网站下载的代码包并在本地查看它，建议使用Markdown编辑器或预览器进行正确查看。如果您尚未安装Markdown编辑器，MarkText 是一个不错的免费选项。
您也可以通过浏览器访问GitHub上的代码仓库，或者汉化版浏览器会自动渲染Markdown。
| 章节标题 | 主要代码（快速访问） | 所有代码及补充内容 | 翻译者 |
|---|---|---|---|
| 安装建议 | - | - |  |
| 第1章：理解大型语言模型 | 无代码 | - | |
| 第2章：处理文本数据 | - ch02.ipynb - dataloader.ipynb（总结） - exercise-solutions.ipynb |
ch02 | |
| 第3章：编码注意力机制 | - ch03.ipynb - multihead-attention.ipynb（总结） - exercise-solutions.ipynb |
ch03 | |
| 第4章：从零开始实现 GPT 模型 | - ch04.ipynb - gpt.py（总结） - exercise-solutions.ipynb |
ch04 | |
| 第5章：在无标注数据上进行预训练 | - ch05.ipynb - gpt_train.py（总结） - gpt_generate.py（总结） - exercise-solutions.ipynb |
ch05 | |
| 第6章：进行文本分类的微调 | - ch06.ipynb - gpt_class_finetune.py - exercise-solutions.ipynb |
ch06 | |
| 第7章：进行遵循指令的微调 | - ch07.ipynb - gpt_instruction_finetuning.py（总结） - ollama_evaluate.py（总结） - exercise-solutions.ipynb |
ch07 | |
| 附录 A：PyTorch 简介 | - code-part1.ipynb - code-part2.ipynb - DDP-script.py - exercise-solutions.ipynb |
appendix-A | |
| 附录 B：参考文献与进一步阅读 | 无代码 | - | |
| 附录 C：习题解答 | 无代码 | - | |
| 附录 D：在训练循环中加入附加功能 | - appendix-D.ipynb | appendix-D | |
| 附录 E：使用 LoRA 进行参数高效微调 | - appendix-E.ipynb | appendix-E | |
下图是本书内容的总结性思维导图。
本书主要章节中的代码设计为能够在常规笔记本电脑上运行，并且不会占用过长时间，因此不需要专门的硬件。这种方式确保了广泛的读者群体能够参与其中。此外，如果有可用的 GPU，代码会自动使用它们。（更多建议请参考 setup 文档。）
欢迎各种形式的反馈，最好通过 Manning 论坛 或 GitHub 讨论区 分享。如果你有任何问题或只是想与他人讨论想法，也请随时在论坛中发布。
请注意，由于本存储库包含与印刷书籍相对应的代码，因此目前无法接受扩展主要章节代码内容的贡献，因为这可能会导致与实体书籍的内容不一致。保持一致性有助于确保每个人的顺畅体验。
如果你发现本书或代码对你的研究有帮助，请考虑引用它。
引用：
Raschka, Sebastian. Build A Large Language Model (From Scratch). Manning, 2024. ISBN: 978-1633437166.
BibTeX 条目：
@book{build-llms-from-scratch-book,
author = {Sebastian Raschka},
title = {Build A Large Language Model (From Scratch)},
publisher = {Manning},
year = {2024},
isbn = {978-1633437166},
url = {https://www.manning.com/books/build-a-large-language-model-from-scratch},
github = {https://github.com/rasbt/LLMs-from-scratch}
}
