模型训练（Training）和推理（Inference）是深度学习中的两个核心过程。训练过程通过调整模型参数来优化模型性能，而推理过程则利用训练好的模型进行预测。

训练和推理在目标、过程、计算资源等方面存在差异。训练过程注重模型的参数调整和优化，需要大量的标注数据和计算资源；而推理过程则注重模型的预测能力，需要快速且准确地生成预测结果。

一、模型训练（Training）

什么是模型训练（Training）？模型训练是指利用一组已知的数据（通常称为训练数据）来教导或学习一个模型的过程。

在这个过程中，模型会尝试捕捉数据的内在规律和特征。一旦模型经过充分的训练（模型收敛），它就能够基于这些学到的规律对新数据进行准确的预测或分类。

**大语言模型（LLM）的训练方法（Pre-training + Post-training）是什么？**大语言模型的训练方法包括预训练（Pre-training）和后训练（Post-training）两阶段。

其中预训练为模型奠定了坚实的基础，使其具备较好的先验知识；而后训练则使模型更加适应特定任务或数据集，从而提高其性能和用户满意度。

一、预训练（Pre-training）

预训练是在大规模无标注数据集上对模型进行的初步训练。这个阶段的目的是让模型学习到语言的普遍规律和特征，为后续任务提供坚实的基础。

预训练通常发生在模型开发的早期阶段，使用广泛的数据集，追求数据的多样性和规模。通过预训练，模型可以捕捉到语言的底层结构和模式，如词汇、语法和句子结构等，从而提高其泛化能力和表现力。

同时Hugging Face的Transformers库是一个功能强大的NLP库，它提供了对各种预训练模型的统一接口，支持PyTorch和TensorFlow框架，并包含了数千种可用于多种任务的预训练模型。

二、后训练（Post-training）

后训练是指在预训练模型的基础上，针对特定的任务或数据集进行的额外训练。这个阶段的目的是优化模型性能，使其更好地适应特定任务或数据集。

**后训练通常发生在模型部署前或部署初期，后训练可以包括监督微调（Supervise Fine-tuning，SFT）、参数高效微调（Parameter-Efficient Finetuning, PEFT）和其他高级方法，如基于人类反馈的强化学习（RLHF）、蒸馏技术(Distillation)**等。

二、模型推理（Inference）

****什么是模型推理（Inference）？****在模型训练完成后，使用训练好的模型对新数据进行预测或生成的过程。

**在模型训练阶段，模型通过大量数据的学习，掌握了某种特定的能力或模式。**而在推理阶段，模型则利用这种能力对新的、未见过的数据进行处理，以产生预期的输出。

*如何调用大语言模型（LLM）进行模型推理？训练好的大语言模型（LLM）需导出为可部署格式（如ONNX、PyTorch、TensorFlow模型文件），并保存模型权重和配置文件。在部署平台上加载模型后进行初始化，就可以开始进行模型推理。*

*Hugging Face设计了一种新的模型存储格式，如.safetensors，主要存储的内容为tensor的名字（字符串）及内容（权重），这种格式以更加紧凑、跨框架的方式存储模型数据，使得模型数据可以在不同的深度学习框架（PyTorch、TensorFlow）之间轻松迁移和使用。*

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】