令人惊叹的 AIGC 教程

英语 | 中文版

“令人惊叹的 AIGC 教程”收录了一系列精心挑选的教程和资源，涵盖大型语言模型、AI 绘画及相关领域。无论你是初学者还是高级 AI 爱好者，都能在这里找到深入的见解与知识。

🔔 最新动态

• [2024-02-18] - 🌈 新增课程：多模态领域的 CSCI-GA.3033-102 特别专题——使用大型语言和视觉模型学习。
• [2024-02-14] - 💬 新增课程：大型语言模型领域的 CS11-711 高级自然语言处理。
• [2024-02-14] - 💬 新增研讨会：AI 系统领域的 AI-Systems (LLM Edition) 294-162。

🌱 如何贡献

我们热烈欢迎所有人的参与！无论是发现错别字、漏洞，提出建议，还是分享与 AIGC 相关的资源，都欢迎加入我们的行列。有关如何贡献的详细说明，请参阅我们的 CONTRIBUTING.md 文件。

📜 内容

• 👋 引言
• 💬 大型语言模型
  • 💡 提示工程
  • 🔧 大型语言模型实战
  • 🔬 大型语言模型理论
• 🎨 AI 绘画
  • 🧑‍🎨 艺术基础与 AI 绘画技巧
  • 🌊 Stable Diffusion 原理与应用
• 🔊 AI 音频
• 🌈 多模态
• 🧠 深度学习
• 💻 AI 系统
• 🗂 杂项
  • ✨ 星标历史
  • 🤝 友情链接

👋 引言

• 面向所有人的人工智能——吴恩达
  • “面向所有人的人工智能”是一本面向初学者的指南，旨在帮助大家理解人工智能的实际应用、局限性及其社会影响，非常适合企业专业人士和领导者。
• 教师与学生实用人工智能——沃顿商学院
  • 沃顿互动推出的速成课程深入探讨了大型语言模型的机制及其影响，重点介绍了 OpenAI 的 ChatGPT4、微软必应的创意模式以及谷歌的 Bard 等模型。
• 面向初学者的人工智能——微软
  • 这套由微软提供的为期12周的课程深入讲解了人工智能的各种方法论，从符号人工智能到神经网络，并着重介绍了 TensorFlow 和 PyTorch 框架，但未涉及商业应用、经典机器学习及某些特定于云的技术主题。
• 生成式 AI 学习路径——谷歌云
  • 该学习路径提供了一个全面的旅程，从大型语言模型的基础知识开始，逐步过渡到在谷歌云上部署生成式 AI 解决方案。

💬 大型语言模型

💡 提示工程

• 面向开发者的 ChatGPT 提示工程 - DeepLearning.AI
  • 由 OpenAI 和 DeepLearning.AI 联合授课，本课程指导学习者利用大型语言模型完成摘要生成、文本转换等任务，并在 Jupyter 笔记本环境中进行实践操作。
• 使用 ChatGPT API 构建系统 - DeepLearning.AI
  • 由 OpenAI 和 DeepLearning.AI 的专家主讲，本课程教授如何使用语言模型自动化工作流、构建提示链、集成 Python 以及设计聊天机器人，所有内容均通过 Jupyter 笔记本的动手练习实现，仅需具备基础的 Python 知识。
• LangChain 用于 LLM 应用开发 - DeepLearning.AI
  • 由 LangChain 的创始人与吴恩达共同指导，本课程深入探讨高级 LLM 技术，如操作链化及将模型用作推理代理，使学习者能够在掌握基础 Python 知识的前提下快速构建稳健的应用程序。
• LangChain：与你的数据对话 - DeepLearning.AI
  • 使用 LangChain 深入了解检索增强生成技术及基于文档内容的聊天机器人开发，涵盖数据加载、分割、嵌入、高级检索技术以及交互式聊天机器人的构建，专为精通 Python 并希望充分利用大型语言模型的开发者设计。
• ChatGPT 提示工程 - 范德堡大学
  • 通过掌握提示工程，释放 ChatGPT 等大型语言模型的潜力，从基础提示逐步过渡到复杂提示，从而实现从写作到模拟等多种应用，适合任何具备基本计算机技能的人。
• 提示工程指南 - DAIR.AI
  • 本指南介绍了提示工程这一优化与大型语言模型交互的学科，并提供了丰富的资源、研究和工具。
• Learn Prompting
  • 这是一份面向初学者的生成式 AI 和提示工程指南，汇集了行业巨头的见解，探讨这些工具如何革新内容创作和未来的工作方式。
• LangChain AI 手册 - James Briggs 和 Francisco Ingham
  • 探索 LangChain 带来的变革性世界，掌握核心组件、编写有效提示，并利用先进的 AI 代理、会话记忆和自定义工具来构建尖端应用。

🔧 LLM 实践

• LLM 训练营 - The Full Stack
  • 深入探讨提示工程、LLM 运算、语言界面的用户体验设计、增强型语言模型技术、LLM 的基础知识、动手项目以及 LLM 的未来发展方向，并辅以行业领袖关于训练和智能体设计的专家讲座。
• 微调大型语言模型 - DeepLearning.AI
  • 在 Sharon Zhou 的指导下学习微调大型语言模型（LLM）的技术，掌握数据准备、训练以及更新神经网络权重的方法，以针对您的数据获得更好的效果。
• CS25：Transformer 联盟 V3 - 斯坦福大学
  • 本课程深入探讨 Transformer 在深度学习中的变革性作用，尤其是其对 ChatGPT 和 GPT-4 等语言模型发展的推动作用。
• 学习生成式 AI 的基础知识及其在现实世界中的应用 - AWS x DeepLearning.AI
  • 本课程与 AWS 合作，深入解析生成式 AI 和大型语言模型（LLMs）。参与者将从 AWS 的 AI 专家那里学习 LLM 的工作机制、优化方法以及实际应用。适合人工智能和机器学习领域的专业人士，完成课程后可获得 Coursera 证书。建议具备基础的 Python 和机器学习知识。

🔬 大型语言模型理论

• CS324 - 基础模型前沿 - 斯坦福大学
  • CS 324 深入探讨 GPT-3 和 DALL-E 等基础模型，涵盖其原理、系统架构、伦理问题及应用，并以一个实践性的研究项目或应用设计作为课程的最终成果。
• CS11-711 高级自然语言处理 - 卡内基梅隆大学
  • CMU 的高级 NLP 课程探索用于理解和创新自然语言处理的现代神经网络方法。
• CS 601.471/671 NLP：自监督模型 - 约翰霍普金斯大学
  • 本课程深入探讨 NLP 中的自监督学习技术，培养学生使用 PyTorch 设计和实现神经网络模型的能力，重点在于各种语言模型架构。
• 11-667：大型语言模型方法与应用 - 卡内基梅隆大学
  • 这门研究生课程全面概述了大型语言模型（LLMs），内容包括基础知识、涌现能力、应用、扩展技术、部署考量以及未来挑战，旨在为学生在 AI 时代的研究和应用做好准备。
• CS224N：深度学习驱动的自然语言处理 - 斯坦福大学
  • 本课程通过 PyTorch 提供对 NLP 中深度学习的全面洞察，强调端到端的神经网络模型，无需针对特定任务进行特征工程，使学生具备构建自有神经网络解决方案的能力。
• TinyML 与高效深度学习计算 - 马萨诸塞理工学院
  • 本课程探讨在资源受限设备上进行深度学习的高效 AI 计算技术，内容涵盖模型压缩、剪枝、量化、架构搜索、分布式训练以及量子机器学习等，并提供动手实践机会，在笔记本电脑上部署 LLaMA 2 等大型模型。
• 语音与语言处理 - 丹·朱拉夫斯基和詹姆斯·H·马丁
  • 由该领域顶尖专家撰写，这本权威教材深入探讨了现代自然语言处理和语音识别的算法与数学模型，并不断更新以反映 NLP 领域的快速进展。
• COS 597G（2022 年秋季）：理解大型语言模型 - 普林斯顿大学
  • 一门深入探索 LLM 变革性领域的高级课程，讨论最先进的一系列模型、它们的强大功能及其相关挑战，重点在于深入研究、伦理考量和实践项目经验，专为精通机器学习和深度 NLP 框架的资深学生设计。

🎨 AI 绘画

🧑‍🎨 艺术基础与 AI 绘画技巧

• 讲座系列：每周一个有趣的艺术基础主题 - Niji Academy
  • Niji Academy 将艺术基础与 AI 相结合，提升绘画技能并加速艺术学习进程。

🌊 Stable Diffusion 原理与应用

• 扩散模型的工作原理 - DeepLearning.AI
  • 在 Sharon Zhou 主讲的中级课程《扩散模型的工作原理》中掌握生成式 AI 技术，亲手从零开始构建扩散模型，辅以丰富的动手编码和实验环节，适合熟练掌握 Python、TensorFlow 或 PyTorch 的学员。
• Hugging Face 扩散模型课程
  • Hugging Face 的课程深入讲解扩散模型，指导学员利用 Diffusers 库进行媒体生成、动手训练和模型定制，具备 Python 和深度学习的基础知识将有助于获得最佳学习体验。
• 面向程序员的实用深度学习第 2 部分：深度学习基础至 Stable Diffusion - fast.ai
  • 本课程深入探讨 Stable Diffusion 算法，涵盖先进的深度学习技术及基于 PyTorch 的实践项目，帮助学生掌握尖端扩散模型的专业知识。

🔊 AI 音频

• Hugging Face 音频课程
  • Hugging Face 音频课程教授如何使用 Transformer 模型完成各类音频任务，从语音识别到文本转语音，将理论与动手练习相结合，适合熟悉深度学习的学习者。
• CS224S：口语处理 - 斯坦福大学
  • 一门沉浸式的口语处理技术课程，涵盖对话系统、语音识别与合成中的深度学习等内容，并通过 PyTorch、Alexa Skills Kit 和 SpeechBrain 等现代工具开展实践项目，最终以学生主导的研究或系统设计项目收尾。

🌈 多模态

• CSCI-GA.3033-102 特别专题——大型语言与视觉模型的学习
  • 研究生课程，探讨大型语言和视觉模型的影响，涵盖多模态与生成式AI，并为学生从事AI研究做好准备。
• 多模态机器学习教程（ICML 2023）——卡内基梅隆大学
  • 本课程深入探讨多模态机器学习，结合最新版综述论文及卡内基梅隆大学的学术成果，剖析其独特挑战与未来发展方向。
• 11-777：多模态机器学习（2022年秋季）——卡内基梅隆大学
  • 本课程深入研究多模态机器学习（MMML），涵盖其数学基础、最先进概率模型及关键挑战，同时介绍近期应用与技术，如多模态Transformer和神经符号模型。
• 11-877：多模态机器学习高级专题（2022年秋季）——卡内基梅隆大学
  • 本课程探讨多模态机器学习（MMML），覆盖技术挑战与最新成果。课程强调批判性思维与未来研究趋势，并在课程网站上提供每周更新、讨论引导及研究亮点。

🧠 深度学习

• 神经网络/深度学习——StatQuest
  • 在这个广受欢迎的YouTube播放列表中，探索神经网络的奥秘，将信息丰富的图形与专家讲解完美结合，从基础知识到卷积神经网络的高级图像分类，吸引了无数学生。
• 神经网络——3Blue1Brown
  • 3Blue1Brown通过生动的动画和清晰的解释，揭示神经网络的神奇之处，深入探讨手写数字识别、梯度下降的细微差别以及反向传播背后的复杂微积分。
• 神经网络：从零到英雄——Andrej Karpathy
  • Andrej Karpathy的课程带领学生从基础的反向传播逐步深入到GPT等高级神经网络，强调语言模型是掌握深度学习的多功能入口，要求具备Python编程和基础数学知识。
• 面向编码者的实用深度学习——fast.ai
  • 2022年的《面向编码者的实用深度学习》是一门免费课程，提供动手实践的机会，使用PyTorch和fastai等工具，在多个领域构建、训练和部署深度学习模型，适合有编程基础但无需高深数学知识的人。
• 深度学习专项课程——Andrew Ng
  • Andrew Ng的深度学习专项课程是Coursera上备受好评的自定进度课程，拥有超过100万名学员，提供清晰的模块和实用的AI技术，背后有庞大的社区支持，将最新的机器学习内容分解为易于理解的形式。
• 6.S191：深度学习导论——麻省理工学院
  • MIT推出的深度学习基础强化训练营，涵盖从计算机视觉到生物学的应用，配有TensorFlow实操练习和最终项目竞赛。要求具备基础微积分和线性代数知识；有Python经验者更佳。
• CS25：Transformer大联合V2——斯坦福大学
  • 探讨Transformer在深度学习中的变革性力量，涉及自然语言处理、生物等多个领域，课程包括专家讲座、前沿讨论及顶尖研究人员的见解，旨在促进理解与跨学科创新。
• 2020年深度学习系列讲座——DeepMind × 伦敦大学学院
  • DeepMind推出12讲深度学习系列课程，从基础主题深入到高级技术，涵盖目标识别到负责任的AI创新等领域，均由顶尖研究专家主讲。
• 2021年强化学习系列讲座——DeepMind × 伦敦大学学院
  • DeepMind与UCL联合推出13讲现代强化学习全面系列课程，从基础概念到高级深度强化学习技术，由Hado van Hasselt、Diana Borsa和Matteo Hessel等专家研究员主讲。

💻 AI 系统

• AI-Sys-Sp22 机器学习系统 - 加州大学伯克利分校
  • 通过讲座、讨论和协作式实践项目，深入探讨前沿 AI 应用与其支撑系统之间的共生关系，探索硬件、软件以及 AI 驱动的优化技术方面的最新进展。
• 深度学习系统：算法与实现 - 陈天奇、Zico Kolter
  • 构建一个完整的深度学习库，从模型设计到高效算法，逐层理解深度学习系统的底层原理，并使用 Python 和 C/C++ 进行实践。
• CS 329S：机器学习系统设计 - 斯坦福大学
  • 掌握设计健壮、可扩展且可部署的机器学习系统的复杂性，重点关注利益相关者、不断变化的需求以及整体系统设计，同时解决隐私、公平性和安全性等关键问题。
• AI-Systems (LLM Edition) 294-162 - 加州大学伯克利分校
  • 本课程深入研究硬件/软件进步与生成式 AI 之间的联系，强调这些创新如何推动 AI 模型的规模化和能力提升。
• 15-849：机器学习系统 - 卡内基梅隆大学
  • 深入探讨现代 ML 系统的架构，揭示从高层模型设计到异构硬件上低层内核执行的全过程，同时剖析下一代 ML 应用和平台的原则与挑战。
• 计算机科学 598D - 系统与机器学习 - 普林斯顿大学
  • 通过剖析高效的 ML 系统硬件/软件相关最新研究，并将 ML 应用于系统设计，探索系统与机器学习之间的协同效应，最终以实践项目和深入讨论为研究生课程的高潮。

🗂 其他

✨ 星标历史

🤝 友情链接

• WayToAGI
  • WaytoAGI.com 是最全面的中文 AIGC 资源中心，引导用户踏上优化的学习旅程，以理解和利用 AI 的强大功能。
• Codefuse-ChatBot
  • Codefuse-ChatBot 是一款开源的 AI 智能助手，旨在通过对话式访问工具、知识和平台集成来支持软件开发生命周期。
• Codefuse DevOps Eval
  • DevOps-Eval 是一个 GitHub 仓库，提供专门用于评估和改进 DevOps 领域基础模型的工具集，其中包括丰富的 AIOps 练习。

Awesome-AIGC-Tutorials 快速上手指南

Awesome-AIGC-Tutorials 并非一个需要安装运行的软件工具或代码库，而是一个精选的 AIGC（生成式人工智能）教程与资源索引列表。它汇集了大语言模型（LLM）、AI 绘画、多模态等领域的优质课程、论文和实践指南。

因此，本指南将指导你如何访问、浏览及利用该资源库中的内容，而非执行传统的软件安装流程。

1. 环境准备

由于本项目是资源导航，无需特定的操作系统或复杂的依赖环境。你只需要：

• 硬件要求：任意可联网的设备（PC、平板或手机）。
  • 注：若你根据列表中的教程进行本地模型训练或推理（如 Stable Diffusion），则需参考具体教程的显卡（GPU）要求。
• 软件要求：
  • 现代网页浏览器（推荐 Chrome, Edge, Firefox）。
  • Git（可选，用于克隆仓库到本地离线浏览）。
• 网络环境：
  • 部分链接指向 Coursera、YouTube 或国外大学课程网站，国内访问可能受限。建议配置合适的网络环境，或寻找对应的 Bilibili/国内镜像搬运版本（部分热门课程在国内社区已有汉化资源）。

2. 获取与访问步骤

你可以通过以下两种方式访问资源：

方式一：在线直接浏览（推荐）

直接访问 GitHub 仓库页面查看最新整理的目录：

https://github.com/luban-agi/Awesome-AIGC-Tutorials

提示：仓库根目录已提供 中文版 (README_zh.md) 链接，点击即可切换至中文界面。

方式二：克隆到本地

如果你希望离线查看或在本地维护这份清单，可以使用 Git 克隆：

git clone https://github.com/luban-agi/Awesome-AIGC-Tutorials.git
cd Awesome-AIGC-Tutorials

3. 基本使用指南

该项目的核心用法是按图索骥，根据你的学习阶段和需求，在目录中找到对应的课程链接并跳转学习。

步骤 1：确定学习方向

打开 README.md 或 README_zh.md，查看 📜 Content 目录结构，主要包含以下板块：

• 👋 Introduction: AI 通识（适合零基础）。
• 💬 Large Language Models: 大语言模型（含提示词工程、实战、理论）。
• 🎨 AI Painting: AI 绘画（含艺术基础、Stable Diffusion 原理）。
• 🔊 AI Audio: AI 音频。
• 🌈 Multimodal: 多模态技术。
• 🧠 Deep Learning & 💻 AI System: 深度学习基础与系统架构。

步骤 2：筛选适合的课程

每个资源条目后都标记了难度等级和资源类型，请根据自身情况选择：

• ![](https://img.shields.io/badge/Level-Easy-green)：入门级，适合初学者。
• ![](https://img.shields.io/badge/Level-Medium-yellow)：进阶级，需要一定编程或理论基础。
• ![](https://img.shields.io/badge/Video-blue)：视频课程。
• ![](https://img.shields.io/badge/Notebook-orange)：包含代码实战（Jupyter Notebook）。

步骤 3：开始学习（示例）

假设你想学习 提示词工程 (Prompt Engineering)：

1. 在文档中找到 💬 Large Language Models -> 💡 Prompt Engineering 章节。
2. 选择标记为 Easy 且包含 Notebook 的课程，例如：
   • ChatGPT Prompt Engineering for Developers - DeepLearning.AI
3. 点击链接跳转至课程官网。
4. 按照该外部课程的指引注册账号、观看视频并运行提供的代码示例。

步骤 4：贡献资源（可选）

如果你发现了新的优质教程，可以通过以下方式贡献：

1. 阅读仓库中的 CONTRIBUTING.md 文件了解规范。
2. 在 GitHub 上提交 Issue 或 Pull Request 添加新链接。

---

注意：本仓库仅为“地图”，具体的学习环境搭建（如 Python 环境、PyTorch 安装、API Key 获取等）需参照你点击进去的具体课程文档进行操作。