今天,给大家带来一个重磅好消息——黑马全新教程《大模型微调实战:从Prompt到LoRA,手把手完成大模型微调》完整版正式上线啦!🔥
过去一年,大模型有多火,大家都有感觉。但说句实在话,很多人学了半天,还是停留在“会写提示词、会调用现成接口”这一步。自己玩Demo挺爽,一到真实业务就卡住:模型好像啥都懂,可一到你的场景,就是不好用......
黑马这门课,就是来帮你破局的!
我们不只是教你怎么“用”大模型,而是带你再往前走一步:亲手调出一个真正懂你、听你指挥的专属模型。全程手把手实操,拒绝纸上谈兵!
学完这套课程,你能收获什么?
✅掌握AI核心开发能力:从会用大模型,进阶到会微调大模型。
✅积累真实项目经验:从整理数据、训练模型到测试效果,完整跑通全流程。
✅增加求职竞争筹码:项目经验可以直接写进简历。
说得再直接一点:面试时,你说“我会写提示词”,面试官可能点点头;但你说“我独立跑通过大模型微调,从数据准备到训练再到测试,全流程都做过”,那含金量完全不一样。

AI下半场,拼的就是谁能把大模型真正落到业务里。不要止步于“会用大模型”,掌握微调技术,才算真正把大模型用透、用好!
下面,一起来看详细介绍👇

黑马本套课程带你从Prompt出发,逐步进入小模型微调,再到ChatGLM-6B +LoRA大模型微调。通过金融文本智能分析、电商评论分类、医疗问诊机器人、ChatGLM-6B多任务微调4个递进式实战项目,理解Prompt、PET、P-Tuning、全量微调、PEFT、LoRA等核心技术,从“调用模型”到“训练模型”,真正动手跑通一次大模型微调。
课程不以单纯讲理论为主,而是采用“知识讲解+技术对比+项目实战”的方式,由浅入深、逐步进阶。每个阶段都配有对应实战项目,让你不仅知道“微调是什么”,更能真正理解为什么微调、怎么微调、不同微调方法有什么区别。
这样的硬核课程,学到就是赚到,早上车早吃肉!
课程亮点
①Prompt→小模型→大模型LoRA完整进阶;
②系统接触主流微调方法;
③BERT/GPT-2/ChatGLM-6B多模型实践;
④4个递进式实战项目;
⑤从数据准备到模型训练、验证完整实践;
⑥真正跑通大模型LoRA微调。
适用人群
👉AI/大模型学习者:有Python基础,想学习微调;
👉Python/算法开发者:希望进一步掌握模型训练与微调;
👉NLP/深度学习学习者:了解Transformer,希望深入微调;
👉AI方向学生:希望通过项目学习大模型微调技术。
(基础要求:Python必备,神经网络、Transformer建议掌握。)
课程收获
1. 学会设计高效Prompt,让大模型“听懂”你的任务;
2. 系统掌握PET、P-Tuning、全量微调、PEFT、LORA等核心技术的原理与区别;
3. 金融文本、电商评论、医疗问诊、ChatGLM-6B多任务微调,积累真实项目经验;
4. 真正动手跑通一次大模型微调全流程,完成能力跃迁。
课程目录
上下滑动查看全部:
Day01
01-大模型课程大纲
02-LLM概念的介绍
03-语言模型的介绍
04-N-Gram语言模型的介绍
05-N-Gram语言模型的特点
06-语言模型的不同类型对比
07-语言模型的指标接受
08-BlEU指标的实现
09-ROUGE指标的实现
10-PPL指标的实现
11-大模型主要类别架构
12-自编码模型AE介绍
13-自回归模型AR介绍
14-seq2seq模型架构介绍
15-主流框架Decoder-Only的原因
Day02
01-GPT-1模型的介绍
02-GPT-2模型的介绍
03-GPT-3模型的架构介绍
04-GPT-3模型的Few-shot思想介绍
05-ChatGPT的基本介绍
06-强化学习的思想介绍
07-ChatGPT的基本原理
08-ChatGLM模型预训练的思想
09-ChatGLM模型的改动点
10-ChatGLM模型的特点
11-LLama模型的特点
12-BLOOM模型的介绍
13-BaiChuan模型的介绍
14-Qwen模型的介绍
Day03
01-NLP任务四范式
02-Fine-Tuning思想的回顾
03-Prompt-Tuning实现的基本原理
04-Prompt-Tuning的发展历程
05-PET模型的介绍
06-Soft-Prompt方法的介绍
07-T5-prompt_tuning方法的思想
08-P-Tuning方法的思想
09-情景学习和Instrunction方法的思想
10-COT方法的思想
11-PEFT方法的思想
12-Prefix-Tuning方法的思想
13-Adapter-Tuning方法的思想
14-LoRA方法的思想
Day04
01-金融领域任务分析
02-Zero-Shot思想的回顾
03-任务环境的基本配置
04-ollama模型的python调用
05-基于ollama实现模型多轮对话
06-金融文本分类业务分析
07-文本分类init-prompt代码的原理讲解
08-文本分类inference代码的原理讲解
09-金融文本信息抽取业务分析
10-金融文本信息抽取代码变量定义
11-正则表达式回顾
12-文本信息抽取init-prompt代码的原理讲解
13-文本信息抽取inference代码的原理讲解
14-金融文本匹配业务分析
15-文本匹配init-prompt代码的原理讲解
16-文本匹配inference代码的原理讲解
Day05
01-LangChain的基本介绍
02-LLMs的实现
03-ChatModels的实现
04-EmbeddingModel的实现
05-LangChain官网使用介绍
06-Zero-Shot模版的原理解析
07-Few-Shot模版的原理解析
08-单一Chains的基本使用
09-复合Chains的基本使用
10-Agent组件的基本使用
11-Memory组件的基本使用
12-Memory长期记忆的使用方式
13-Indexes--数据加载实现方式
14-Indexes--文本分割实现方式
15-Indexes--向量数据库的应用实现
16-Indexes--检索器的应用实现
17-物流行业RAG系统背景介绍
18-RAG原理的基本解析
19-RAG工作流程图的梳理
20-RAG检索系统工作流程
21-物流行业信息RAG系统功能演示
22-本地数据库的构建
23-基于本地知识库实现RAG的问答
24-对话链的封装实现
25-RAG的web界面封装应用
Day06
01-基于GPT2搭建问答机器人介绍
Day06-02-张量切片的操作回顾
Day06-03-数据预处理BertTokenizer的使用
Day06-04-数据预处理完整过程代码实现
Day06-05-项目config配置文件的实现
Day06-06-python自定义第三方库导入回顾
Day06-07-自定义Dataset类的实现
Day06-08-Dataloader类的实现
Day06-09-GPT2模型的讲解
Day07
01-main主函数中模型的加载
02-train训练函数中学习率预热的设置
03-train_epoch内部迭代函数损失计算的实现
04-工具类函数计算预测正确的个数方法的实现
05-train_epoch内部迭代函数参数更新的实现
06-train_epoch内部迭代函数日志和模型保存的实现
07-train函数的完整实现
08-模型预测函数的准备工作
09-模型预测函数的主逻辑代码前半部分
10-模型预测函数的主逻辑代码后半部分
11-基于Flask实现web界面的开发
Day08
01-新零售行业评价决策系统介绍
02-BERT-PET方法文本分类的介绍
03-BERT-PET数据的基本介绍
04-HardTemplate类初始化方法实现
05-HardTemplate模版分析方法实现
06-HardTemplate的Call方法前半部分实现
07-HardTemplate的Call方法后半部分实现
08-ConvertExample方法的前半部分实现
09-ConvertExample方法的后半部分实现
10-DataLoader实例化对象的实现
Day09
01-Verbalizer类init方法的实现
02-Verbalizer类label_dict的实现
03-Verbalizer类find_sub_labels的实现
04-Verbalizer类batch_find_sub_labels的实现
05-寻找最大公共子串的方法
06-Verbalizer类find_main_label的实现
07-Verbalizer类batch_find_main_label的实现
08-不同参数影响下的精确率指标
09-ClassEvaluator类init和add_batch方法的实现
10-ClassEvaluator类compute的方法实现
11-model2train方法的前半部分实现
12-model2train方法中模型计算损失的参数准备
13-model2train方法中损失计算方法的实现
14-model2train方法中验证函数参数的准备工作
15-model2trian方法中验证函数实现
16-BERT+PET方法实现模型的预测
Day10
01-大模型知识回顾1
02-大模型知识回顾2
03-大模型知识回顾3
04-Bert+P-Tuning的项目梳理
05-Config类的代码实现
06-Convert_example方法获得输入
07-Convert_example方法获取input_ids
08-Convert_example方法获取最终output
09-get_dataloader方法的实现
10-deepseed及vllm等简单扩展
11-Bert-P-tuning模型的训练和预测
Day11
01-大模型联合抽取任务基本简介
02-项目背景介绍
03-ChatGLM-6B和LoRA的回顾
04-项目架构介绍
05-项目数据的介绍
06-项目config文件类的代码实现
07-Convert_example方法实现输入和输出的id表示
08-Convert_example方法得到模型input_ids和labels
09-统计样本的句子长度
10-获取Dataloader方法的实现
11-model2train方法中加载模型
12-mode2train方法中梯度检查点技术
13-model2train方法中lora的配置实现
14-model2trian方法的训练实现
Day12
01-昨日内容回顾
02-趋动云实现项目的创建
03-ChatGLM微调训练过程的实现
04-ChatGLM微调后预测代码的实现
05-大模型扩展知识1
06-大模型扩展知识2
07-新增课外知识1
不用等更新 ,一步学到位
从Prompt到LoRA
手把手带你跑通大模型微调
4个项目直接写进简历,学到就是赚到
3632



被折叠的 条评论
为什么被折叠?



