深度学习与大模型精通之路

Deep Learning & LLM Mastery

深度学习与大模型的完整工程路线——从 2012 年 AlexNet 到 2025 年推理模型，每一个技术都是被前一代局限逼出来的。

English · 时间线 · 模块索引 · 快速开始 · 贡献指南

时间线：被逼出来的历史（2012–2025）

→ 完整展开（发生了什么 · 解决了什么 · 每年 10 个关键工作）见 00-Timeline/

模块索引

快速开始

1. 克隆仓库

git clone https://github.com/zkywsg/Daily-LLM.git
cd Daily-LLM

2. 安装依赖

pip install -r requirements.txt

# Phase 00-01（前置 + 视觉线）
pip install torch numpy scikit-learn matplotlib

# Phase 02-03（语言线 + 规模多模态）
pip install transformers datasets sentence-transformers

# Phase 04（对齐与微调）
pip install peft trl

# Phase 05（系统与生产）
pip install sentence-transformers faiss-cpu chromadb langchain vllm fastapi mlflow wandb

贡献

欢迎贡献改进内容、补充案例、修正文档或完善结构。提交前请先阅读 CONTRIBUTING.md。

许可证

本项目采用 MIT License。

Daily-LLM 快速上手指南

Daily-LLM 是一份涵盖从 2012 年 AlexNet 到 2025 年推理模型的深度学习与大模型完整工程路线指南。本指南将帮助你快速搭建环境并开启学习之旅。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 WSL2)
• Python 版本：3.8 或更高版本
• 包管理工具：pip
• Git：用于克隆代码仓库

国内开发者建议：为避免下载依赖包时速度过慢，建议配置国内镜像源（如清华源、阿里源）。

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目仓库

使用 Git 将项目代码下载到本地：

git clone https://github.com/zkywsg/Daily-LLM.git
cd Daily-LLM

2. 安装依赖

你可以根据学习路径选择全量安装或按阶段安装。

方案 A：全量安装（推荐初学者）

直接安装所有模块所需的依赖：

pip install -r requirements.txt

方案 B：按阶段选择性安装

如果你只想专注于特定领域，可运行以下命令：

# Phase 00-01：前置基础 + 视觉线 (AlexNet -> ResNet -> GAN)
pip install torch numpy scikit-learn matplotlib

# Phase 02-03：语言线 + 规模多模态 (Transformer -> GPT-3 -> CLIP)
pip install transformers datasets sentence-transformers

# Phase 04：对齐与微调 (RLHF -> LLaMA -> LoRA)
pip install peft trl

# Phase 05：系统与生产 (RAG -> Agent -> vLLM)
pip install sentence-transformers faiss-cpu chromadb langchain vllm fastapi mlflow wandb

基本使用

Daily-LLM 是一个结构化的学习与工程实践路线图，而非单一的命令行工具。最简单的使用方式是进入对应的模块目录，运行其中的示例代码或阅读文档。

示例：开启视觉智能学习 (Phase 01)

1. 进入视觉智能模块目录：

   cd 01-Visual-Intelligence/
   

2. 查看该阶段包含的笔记与代码示例（具体文件名请以实际目录内容为准）：

   ls
   

3. 运行第一个示例脚本（假设存在 alexnet_demo.py）：

   python alexnet_demo.py
   

示例：体验大模型微调 (Phase 04)

1. 进入对齐与开源模块：

   cd 04-Alignment-OpenSource/
   

2. 按照目录下的教程文档，使用 peft 和 trl 库加载预训练模型并进行 LoRA 微调实验。

提示：每个模块文件夹内均包含详细的技术演进说明、核心代码实现及实验指导，请按 00-Timeline -> 00-Prerequisites -> 01 至 06 的顺序循序渐进。