返回课程
AI030
专业级
Python中的生成式AI基础
本课程全面讲解生成式人工智能和大语言模型（LLMs）的理解与实现。课程涵盖从理论基础到基于Python的实际开发的过渡，包括GAN、扩散模型、Transformer、微调以及生产环境部署。
4.8
21.0h
964 名学生
7 课时
5 点赞
人工智能
课程概述
内容概要
一本全面指南，帮助理解并实现生成式人工智能与大型语言模型（LLMs）。本课程涵盖从理论基础到基于 Python 的实际开发的转变，包括生成对抗网络（GANs）、扩散模型、Transformer 架构、微调以及生产环境部署。
掌握现代 LLM 与生成技术的核心原理和实际应用，使用 Python 进行实践。
作者： 卡洛斯·罗德里格斯
致谢： 特别感谢作者的妻子吉尔、他的父母，以及技术审稿人摩根·博伊斯、埃里克·鲁伊和萨米拉·沙伊赫（前言作者）。
学习目标
- 区分传统（判别式）机器学习范式与生成式 AI 模型。
- 识别生成式 AI 的基础架构，包括 GANs、扩散模型和 Transformer。
- 解释大型语言模型（LLMs）在更广泛人工智能领域中的角色与演变。
- 区分 GANs、扩散模型和 Transformer 的独特特征及架构范式。
- 分析每种模型类型的进展与局限性，包括模式崩溃或采样速度等具体问题。
- 实现一个 Stable Diffusion 流水线，并使用基于 CLIP 的逻辑值和概率评估生成输出。
- 追溯自然语言处理（NLP）从早期计数方法和循环神经网络（RNNs）到现代分布式表示与迁移学习的发展历程。
- 解释多头注意力（MHA）、自注意力、掩码机制以及前馈网络（FFN）的技术原理。
- 实现完整的 Transformer 模型架构，包括数据分词、位置编码，以及训练/推理函数。
- 将原型功能（如 Google Colab）映射到生产就绪环境，使用 Docker 与 VS Code。