大模型微调与对齐在推荐系统中的应用总结

学习收获：

• 掌握前沿的大模型技术，包括各类基座模型、微调算法、推理方法、多模态技术、图算法和大模型的结合等
• 掌握每一种前沿算法背后的理论知识、以及应用场景，部分算法的讲解涉及到代码解读、从零算法实现、实战案例等

• 全面掌握2024上半年，新出现的最热门大模型技术

下面是两门课程的具体学习安排，感兴趣的朋友们欢迎扫码咨询。  

• 介绍课程目标、安排和预期成果

• 明确对学员的要求和期望

• 概述课程中将探讨的项目和技术

• 讨论大模型技术的行业现状

• 推荐关注的工具和开源项目

• 大模型的定义和重要性

• 大模型发展历程和关键里程碑

• 预训练与微调的基本概念

• 大模型预训练、数据处理、微调、对齐

• 大模型训练的基础设施和资源需求

• 面临的挑战和未来发展方向

• Transformer模型的基本架构

• Self-Attention机制的原理和计算过程

• Multi-Head Attention的设计和作用

• 注意力权重的计算和可视化

• Self-Attention在模型中的作用和优势

• Positional Encoding的概念和实现方法

• Rotary Positional Embedding

• BPE tokenizer，SentencePiece Encoding

• Transformer中的Feed-Forward Networks

• Layer Normalization的原理和重要性

• Transformer模型中的残差连接

• 编码器和解码器的结构差异

• Transformer的训练策略和优化方法

• 参数初始化和学习率调度

• Transformer模型的正则化技术

• Attention机制的变种和改进

• Greedy Decoding, Beam-search

• Top-K Sampling, Top-p Sampling

• Transformer源码解读

• 全量微调与高效微调的区别

• Transformer模型微调的常见策略

• 选择合适的微调任务和数据集

• 微调中的挑战和最佳实践

• 评估微调效果的标准和工具

• PEFT的安装

• PEFT的使用说明，核心模块讲解

• 指令数据准备和预处理的技巧

• 实施微调的详细步骤

• 微调项目的性能评估和分析

• GPT系列模型的发展历程

• GP1到GPT4，GPT3模型剖析

• GPT代码解读

• InstructGPT模型剖析

• Zero-shot Prompting

• Few-shot Prompting

• GPT模型的局限性和挑战

• LLaMA模型的特点和技术创新

• LLaMA模型的原理剖析

• LLaMA源码解读

• LLaMA与其他大模型的对比

• LLaMA模型的训练和微调策略

• 面对LLaMA模型的未来发展方向

• ChatGLM的架构和设计理念

• ChatGLM模型解读

• ChatGLM1到ChatGLM3的技术迭代

• ChatGLM模型的优势和应用领域

• ChatGLM模型微调和部署的实践指南

• ChatGLM模型的评估和性能优化

• Baichuan模型的概述和核心技术

• Baichuan原理剖析和源码解读

• Baichuan模型与其他模型的比较

• Baichuan模型在特定任务上的应用

• 微调Baichuan模型的策略和技巧

• Baichuan模型的局限

• 指令微调的定义与应用背景

• 指令微调与传统微调的对比

• 指令微调在大模型中的重要性

• 指令微调流程概览

• 指令微调的挑战与策略

• 矩阵和向量的基本概念

• 矩阵运算与性质

• 特征值和特征向量

• 矩阵分解（SVD）技术简介

• 矩阵在LoRA算法中的应用

• LoRA算法的原理与动机

• Lora中的Low-rank假设

• LoRA的关键技术组件

• LoRA算法的实现步骤

• LoRA算法的优化与调试

• LoRA算法源码解读

• 指令数据的重要性与来源

• 自动化和手动搜集指令数据的方法

• 指令数据的预处理和标准化

• 生成高质量指令数据的技巧

• 指令数据集的维护与更新

• 指令数据的人工质量评估与自动质量评估

• Alpaca微调项目的设计与目标

• 准备Alpaca微调所需的指令数据

• 实施Alpaca微调的详细步骤

• 评估Alpaca微调效果的方法

• 分析与解决Alpaca微调中遇到的问题

• 解读Alpaca项目源码

• AdaLoRA与LoRa的比较

• 动态改变矩阵权重的意义

• SVD与AdaLoRA

• 训练AdaLoRA
• AdaLoRA源码解读
• AdaLoRA案例讲解

• Vicuna微调项目的背景与应用场景

• ShareGPT数据收集

• Vicuna微调的实施流程和技术细节

• Vicuna微调效果的评估与分析

• 基于Vicuna微调项目的经验总结与展望

• Quantization在深度学习中的作用与原理

• 常见的Quantization技术及其分类

• 模型Quantization对性能和精度的影响

• Quantization的实践步骤和工具

• 模型Quantization的挑战与解决策略

• QLoRA算法的定义和背景

• QLoRA与LoRA的关键区别和改进

• QLoRA算法的详细实现过程

• 4bit NormalFloat, double quantization

• QLoRA算法的优化和调试技巧

• QLoRA源码解读

• 技术方案的设计

• 收集和预处理指令数据

• 基于PEFT进行QLora大模型微调

• 评估QLoRA微调之后的效果

• 分析QLoRA微调过程中遇到的问题及其解决方案

• 模型压缩的必要性和技术背景

• 常见的模型压缩方法概述

• 模型压缩与Quantization的关系

• 实施模型压缩的步骤和注意事项

• 模型压缩技术的最新研究进展

• 模型蒸馏的基本概念和工作原理

• 模型蒸馏在模型优化中的应用

• 不同蒸馏技术的比较和选择

• 实施模型蒸馏的具体方法

• 模型蒸馏技术面临的挑战及其解决策略

• ZeroQuant算法的基本原理和应用背景

• ZeroQuant在模型Quantization中的创新点

• 实现ZeroQuant的关键步骤和技术要求

• ZeroQuant源码解读

• ZeroQuant技术的局限性和未来方向

• SmoothQuant算法的设计理念和核心技术

• SmoothQuant与传统Quantization方法的区别

• 实施SmoothQuant算法的具体流程

• SmoothQuant源码解读

• SmoothQuant面临的技术挑战和改进路径

• RLHF的起源和背景

• RLHF在人工智能中的作用和重要性

• 强化学习与人类反馈：结合的优势

• RLHF的主要应用领域和案例研究

• 从InstructGPT到GPT4

• 人类反馈在强化学习中的角色

• 不同形式的人类反馈：标注、偏好、指导

• 从人类反馈中学习：方法和策略

• 人类反馈数据的收集和处理

• 人类反馈强化学习的挑战和解决方案

• PPO的起源和动机

• PPO与其他策略梯度方法的对比

• 算法核心概念和原理

• PPO的优势和局限性

• PPO的应用领域和案例

• 强化学习基本概念介绍

• 数据在强化学习中的作用和重要性

• 状态、动作和奖励的数据结构

• 数据收集、处理和利用的方法

• 使用模拟环境进行数据生成和测试

• 策略梯度方法简介

• 优势函数和回报

• 基线的概念和作用

• 累积回报与折扣回报

• 探索与利用的权衡

• 目标函数和KL散度

• 裁剪目标函数的原理

• 多次迭代优化策略

• 广义优势估计（GAE）

• 重要性采样和策略更新

• 构建神经网络模型

• 实现PPO的优化循环

• 自适应学习率调整

• 调试和性能分析技巧

• 评估对齐之后的大模型

• PPO变体和改进策略

• 处理高维输入和模型泛化

• 多智能体环境中的PPO应用

• 强化学习中的迁移学习和多任务学习

• 强化学习中的安全性和可解释性

• 项目需求分析和技术方案设计

• 环境设置和任务定义

• 对齐数据的收集和预处理

• 实现PPO训练流程

• 结果分析和性能优化

• DPO（Direct Preference Optimization）介绍

• 与PPO算法对比

• DPO的应用场景和重要性

• 基本原理和工作机制

• DPO算法的优势和挑战

• 偏好与排序问题在AI中的角色

• 数据表示：成对比较和偏好矩阵

• 偏好学习的挑战

• 排序和偏好预测的评估指标

• 经典偏好学习算法概览

• 偏好建模的数学框架

• 直接与间接偏好优化的对比

• DPO中的关键算法组件

• 成对比较数据的处理方法

• DPO的损失函数和优化策略

• 数据整理与预处理

• 构建偏好学习模型的步骤

• 使用Python实现基础DPO模型

• 在benchmark上测试DPO性能

• DPO的优势和缺点

• 推荐系统中的偏好学习

• 设计DPO驱动的推荐算法

• 处理实时用户反馈

• 实施DPO进行推荐模型微调

• 评估推荐系统的性能

• 多任务学习与DPO的结合

• DPO在非监督学习中的应用

• 深度学习方法与DPO

• 交互式偏好学习

• DPO技术的变种

• Prefix Tuning的基本原理

• 实现Prefix Tuning的关键步骤

• Prefix Tuning源码解读

• Prefix Tuning与其他微调方法的比较

• 在NLP任务中应用Prefix Tuning的案例

• Prefix Tuning的局限性和挑战

• Adaptor Tuning的基本原理

• 如何在大模型中插入Adaptor层

• Adaptor Tuning的优点和应用场景

• Adaptor Tuning源码解读

• 实际案例：Adaptor Tuning在分类任务中的应用

• Adaptor Tuning的效率和扩展性问题

• Flash Attention的设计思想和算法原理

• 优化Transformer模型中的注意力机制

• Flash Attention在提升处理速度和效率上的作用

• 应用Flash Attention改进大模型的案例分析

• Flash Attention的实现挑战和解决方案

• 介绍Flash Attention 2与前版本的区别

• 深入探讨Flash Attention 2的技术改进点

• Flash Attention 2在复杂任务处理中的应用示例

• 评估Flash Attention 2的性能和适用范围

• Flash Attention 2的实现细节和调优建议

• KTO算法背景和理论基础

• Kahneman-Tversky优化在微调中的应用

• 实施KTO的关键技术步骤

• KTO在提高决策质量中的角色

• KTO应用案例和性能分析

• 结合QLoRA和Flash Attention的微调策略

• 任务选取和数据准备

• 微调流程详解：从预处理到模型评估

• 分析微调后模型的性能改进

• 面临的挑战及解决方案分享

• 增量学习（Continual learning）的重要性

• 与传统从零训练的对比

• 增量学习的应用场景

• 任务选取和数据准备

• 微调流程详解：从预处理到模型评估

• 什么是灾难性遗忘

• 解决灾难性遗忘的思路

• 正则化、动态网络架构、元学习

• 通用数据与垂直数据的混合训练

• 数据中的信息分析

• 调整学习率

• 增量学习在大规模数据集上的应用

• 多模态与跨领域增量学习

• 自适应学习和在线学习技术

• 强化学习与增量学习的结合

• 未来增量学习的发展方向

• 多头自注意力机制：Query, Key, Value机制
• Multi-query attention
• 位置编码技术
• 层归一化与残差连接
• 案例：剖析LLama3模型结构

• 预训练、微调与对齐过程
• SFT与LoRA微调
• 对齐与DPO
• 处理长距离依赖
• 处理更长的上下文
• 梯度下降变体

• Transformer与Seq2Seq各自有缺点
• Differential Equation基础
• 选择性状态空间模型（SSMs）
• Discretization, Recurrent计算
• The HIPPO矩阵
• 基于Pytorch实现一个基本的Mamba块

• 局部卷积宽度及其重要性
• Selective Scan
• 整体模型架构
• Mamba的优化策略
• 与Transformer优化的比较分析

• Mamba与Mamba2的区别
• Mamba2中的高级SSMs
• 结构状态空间对偶性
• SSMs和Transformers之间的等价性
• 块分解技术
• 面向硬件的实现
• 高效投影和归一化
• 实践：在Mamba2中实现高维SSMs

• 文本生成与文本摘要生成
• 机器翻译与情感分析
• 基于Mamba构造大模型
• 基于Mamba构造多模态大模型
• 医疗、金融领域的应用

• 混合架构设计基础
• SSMs与Transformer注意机制的集成
• 结合Mamba和Transformer方法的优点
• Jamba模型剖析
• 多模态注意力和状态空间集成
• 跨模态嵌入对齐

• KANs vs MLPs
• Kolmogorov-Arnold representation theorem
• 基础架构
• Convolutional KANs (CKANs)
• 训练KANs

• 实践：从零实现KANs

• 必要的数学知识 - 低秩分解
• LoRA的核心原理
• LoRA中的各类参数设置
• 优化并获得LoRA参数
• LoRA源码解读
• 基于开源模型实现LoRA微调

• 从LoRA到DoRA
• DoRA解决的核心问题
• 权重分解的低秩适应
• DoRA的梯度分析
• DoRA的源码分析
• 基于开源模型实现DoRA微调

• 量化技术基础
• 不同的量化技术
• 传统方法与基于LoRA的量化
• LoftQ算法的详细介绍
• 背后的理论分析

• Weight Gradient的low rank特性
• GaLore模型详解
• 低秩子空间的组成
• 内存高效优化
• 超参数的调整
• 背后的一些理论分析

• Routing策略设计
• MoA架构设计
• 模型的详解
• 模型源码分析

• 基于开源模型实现模型微调

模块三：对齐技术

• 偏好优化基础
• Bradley-Terry model
• 推导DPO的目标
• 详解DPO的训练
• DPO背后的理论分析
• 基于开源模型实现DPO对齐

• HALOs介绍
• KTO的推导过程
• KL的估计
• 理解超参数
• KTO与DPO 

• 序列似然校准
• 算法详解
• online IPO
• 背后的理论分析
• 基于开源模型实现IPO对齐

• DPO与SimPO主要区别
• 推导SimPO的目标
• SimPO的参数设置
• SimPO源码分析
• 对齐技术的未来发展

• 量化技术基础
• OBQ介绍
• GPTQ算法详解
• 背后理论分析
• 基于LLama大模型进行GPTQ量化

• 数据分布对量化的影响
• SmoothQuant核心思想
• SmoothQuant算法详解
• 算法源码分析
• 基于LLama大模型进行SmoothQuant量化

• AWQ核心思想
• 分析量化导致的误差
• 选取最有价值的1%权重
• AWQ算法详解
• 基于LLama大模型进行AWQ量化

• 从GPU到CPU使用
• GGUF核心思想
• GGUF算法详解
• 基于LLama大模型+GGUF

• 视觉大模型基础
• 训练多模态大模型的Scaling挑战
• Hard Routers和Soft Routers
• MoE总体结构
• MoE三阶段训练
• 模型源码解读
• 微调一个MoE-LLaVA模型

• 模型背后核心思想
• Dual Vision Encoders
• Patch Info Mining
• 模型详解
• 模型源码解读

• 模型背后核心思想
• 模型总体结构
• 模型算法解析
• 多任务微调

• 微调一个VideoLLaMA2模型

• 图、知识图谱基础
• 图和大模型结合三种常见方法
• 利用图来增强大模型推理
• 利用大模型来增强图模型
• 两者的直接结合
• 大模型对图的推理

• 推荐系统设计
• 推荐系统中使用大模型
• Prompt的设计
• 微调推荐大模型思路
• 微调一个推荐领域大模型

• Graph的推理能力分析
• 图结构的编码
• Self- supervised微调
• 基于任务的微调
• CoT蒸馏
• GraphGPT的应用场景

• 知识图谱背景介绍
• 知识图谱与LLM结合的几种方式
• 训练能够理解知识图谱的LLM基座模型

• 知识图谱与LLM对推荐系统的价值

• 历史背景和关键里程碑
• 应用和未来趋势
• 具身智能和大模型的结合
• 具AI的理论
• 具身AI的认知架构

• LLM在具身AI中的角色
• 将LLM与具身系统集成的技术
• 具身AI中的自然语言理解和生成
• 机器人学简介和机器人类型
• 传感器技术和数据采集
• 执行器和控制系统
• 案例：使用LLM的机器人系统

• 具身AI的设计原则
• 人机交互（HRI）
• 多模态界面
• 具身AI中的强化学习
• 实时决策

• 评估具身AI系统的指标
• 性能测试和基准测试
• 用户研究和反馈收集
• 迭代设计和改进

• 互联网大厂资深算法工程师，清华大学博士后

• 拥有丰富的大模型预训练、微调和部署优化经验

• 曾负责大规模对话系统的开发和落地上线工作

• 先后在AAAI，NeurIPS，ACL，EMNLP等国际顶会及期刊发表高水平论文十余篇

• 多家上市公司技术战略顾问

• 曾任金融科技独角兽公司首席科学家
• 曾任量化投资初创公司首席科学家
• 曾任美国亚马逊推荐系统工程师
• 深耕人工智能领域十余年，授课培养AI学员数万人

大模型专家

• 某头部互联网公司AIGC相关技术负责人

• UC Cruze博士后，香港大学博士

• 主要从事大模型训练，AIGC，机器学习，图卷积，图嵌入的研究

• 先后在ACL, EMNLP, ECCV, Trans on Cybernetics, Trans on NSE等国际顶会及期刊发表高水平论文十余篇

• 中科院博士
• 头部金融科技公司资深算法专家
• 曾任埃森哲人工智能实验室数据科学家

• 拥有丰富的大模型微调/情感分析/博文品牌识别/问答系统等各类项目经验

  
  

扫描二维码，添加顾问老师咨询~