唐宇迪aigc与nlp大模型实战-经典cv与nlp大模型及其下游应用任务实现

名称：唐宇迪aigc与nlp大模型实战-经典cv与nlp大模型及其下游应用任务实现

描述：该课程为唐宇迪AIGC与NLP大模型实战，系统讲解CV与NLP大模型及其下游应用实现：基础篇深入GPT系列算法(三代版本演进、训练策略与CODEX应用)、ChatGPT原理(强化学习与RLHF训练流程)；进阶篇涵盖LLM微调技术(LLAMA与LORA)、提示工程与langchain框架应用；视觉篇聚焦SAM分割大模型、BEV空间感知(DeformableAttention、特征融合)、视觉QA与自监督学习(SimCLR、BEIT系列)；生成篇详解扩散模型(数学推导、DALL-E2源码)与对比学习，配套论文解读、源码实现与实战案例，打通大模型预训练、微调到部署全流程。

链接：
百度：https://pan.baidu.com/s/12PlyTiPIg04W9BC-bVCXdQ?pwd=9527
夸克：https://pan.quark.cn/s/e2544b0c0c03

???? 大小：10.46 GB
???? 标签：#GPT系列 #ChatGPT #RLHF训练 #LORA微调 #langchain框架 #SAM分割大模型 #BEV空间感知 #扩散模型 #DALLE2 #自监督学习 #对比学习 #唐宇迪aigc与nlp大模型实战 #baidu #quark




└─唐宇迪aigc与nlp大模型实战-经典cv与nlp大模型及其下游应用任务实现
    │  100_4-特征对齐与位置编码初始化_ev.mp4
    │  101_5-Reference初始点构建_ev.mp4
    │  102_6-BEV空间与图像空间位置对应_ev.mp4
    │  103_7-注意力机制模块计算方法_ev.mp4
    │  104_8-BEV空间特征构建_ev.mp4
    │  105_9-Decoder要完成的任务分析_ev.mp4
    │  106_10-获取当前BEV特征_ev.mp4
    │  107_11-Decoder级联校正模块_ev.mp4
    │  108_12-损失函数与预测可视化_ev.mp4
    │  109_1-DeformableAttention概述分析_ev.mp4
    │  10_1-生成模型可以完成的任务概述_ev.mp4
    │  110_2-可变形偏移量分析_ev.mp4
    │  111_3-应用场景分析解读_ev.mp4
    │  112_4-论文计算公式解读_ev.mp4
    │  113_5-整体框架流程实例_ev.mp4
    │  114_6-下游任务应用场景_ev.mp4
    │  11_2-数据样本生成方法_ev.mp4
    │  12_3-训练所需参数解读_ev.mp4
    │  13_4-模型训练过程_ev.mp4
    │  14_5-部署与网页预测展示_ev.mp4
    │  15_1-chatgpt概述_ev.mp4
    │  16_2-挑战及其与有监督问题差异_ev.mp4
    │  17_3-强化学习登场_ev.mp4
    │  18_4-强化学习的作用效果_ev.mp4
    │  19_5-奖励模型设计方法_ev.mp4
    │  1_课程简介_ev.mp4
    │  20_6-RLHF训练流程解读_ev.mp4
    │  21_7-总结分析_ev.mp4
    │  22_1-大模型如何做下游任务_ev.mp4
    │  23_2-LLM落地微调分析_ev.mp4
    │  24_3-LLAMA与LORA介绍_ev.mp4
    │  25_4-LORA微调的核心思想_ev.mp4
    │  26_5-LORA模型实现细节_ev.mp4
    │  27_1-提示工程的作用_ev.mp4
    │  28_2-项目数据解读_ev.mp4
    │  29_3-源码调用DEBUG解读_ev.mp4
    │  2_1-GPT系列算法概述_ev.mp4
    │  30_4-训练流程演示_ev.mp4
    │  31_5-效果演示与总结分析_ev.mp4
    │  32_1-langchain框架解读_ev.mp4
    │  33_2-基本API调用方法_ev.mp4
    │  34_3-数据文档切分操作_ev.mp4
    │  35_4-样本索引与向量构建_ev.mp4
    │  36_5-数据切块方法_ev.mp4
    │  37_1-DEMO效果演示_ev.mp4
    │  38_2-论文解读分析_ev.mp4
    │  39_3-完成的任务分析_ev.mp4
    │  3_2-GPT三代版本分析_ev.mp4
    │  40_4-数据闭环方法_ev.mp4
    │  41_5-预训练模型的作用_ev.mp4
    │  42_6-Decoder的作用与项目源码_ev.mp4
    │  43_7-分割任务模块设计_ev.mp4
    │  44_8-实现细节分析_ev.mp4
    │  45_9-总结分析_ev.mp4
    │  46_1-视觉QA要解决的问题_ev.mp4
    │  47_2-论文概述分析_ev.mp4
    │  48_3-实现流程路线图_ev.mp4
    │  49_4-答案关注区域分析_ev.mp4
    │  4_3-GPT初代版本要解决的问题_ev.mp4
    │  50_5-VQA任务总结_ev.mp4
    │  51_1-扩散模型概述与GAN遇到的问题_ev.mp4
    │  52_2-要完成的任务分析_ev.mp4
    │  53_3-公式原理推导解读_ev.mp4
    │  54_4-分布相关计算操作_ev.mp4
    │  55_5-算法实现细节推导_ev.mp4
    │  56_6-公式推导结果分析_ev.mp4
    │  57_7-细节实现总结_ev.mp4
    │  58_8-论文流程图解读_ev.mp4
    │  59_9-案例流程分析_ev.mp4
    │  5_4-GPT第二代版本训练策略_ev.mp4
    │  60_10-基本建模训练效果_ev.mp4
    │  61_1-论文基本思想与核心模块分析_ev.mp4
    │  62_2-不同模块对比分析_ev.mp4
    │  63_3-算法核心流程解读_ev.mp4
    │  64_4-各模块实现细节讲解_ev.mp4
    │  65_1-项目整体流程分析_ev.mp4
    │  66_2-源码实现细节分析_ev.mp4
    │  67_3-源码公式对应论文分析_ev.mp4
    │  68_4-Decoder模块实现细节解读_ev.mp4
    │  69_5-源码实现流程总结_ev.mp4
    │  6_5-采样策略与多样性_ev.mp4
    │  70_1-对比学习要解决的问题分析_ev.mp4
    │  71_2-正负样本构建方法_ev.mp4
    │  72_3-Simclr框架流程分析_ev.mp4
    │  73_4-下游任务应用概述_ev.mp4
    │  74_1-视觉自监督任务分析_ev.mp4
    │  75_2-任务训练目标分析_ev.mp4
    │  76_3-建模流程分析与效果展示_ev.mp4
    │  77_4-codebook模块的作用_ev.mp4
    │  78_5-任务总结分析_ev.mp4
    │  79_1-BEITV2版本论文出发点解读_ev.mp4
    │  7_6-GPT3的提示与生成方法_ev.mp4
    │  80_2-自监督任务中两大核心任务分析_ev.mp4
    │  81_3-整体网络架构图分析_ev.mp4
    │  82_4-框架实现细节流程分析_ev.mp4
    │  83_5-论文细节模块实现解读_ev.mp4
    │  84_1-mmselfup源码实现解读_ev.mp4
    │  85_2-网络结构搭建细节解读_ev.mp4
    │  86_3-源码实现流程总结_ev.mp4
    │  87_1-BEV要解决的问题通俗解读_ev.mp4
    │  88_2-BEV中的3D与4D分析_ev.mp4
    │  89_3-特征融合过程中可能遇到的问题_ev.mp4
    │  8_7-应用场景CODEX分析_ev.mp4
    │  90_4-BEV汇总特征方法实例解读_ev.mp4
    │  91_5-DeformableAttention回顾_ev.mp4
    │  92_6-空间注意力模块解读_ev.mp4
    │  93_7-时间模块与拓展补充_ev.mp4
    │  94_8-论文知识点分析_ev.mp4
    │  95_9-核心模块论文分析_ev.mp4
    │  96_10-整体架构总结_ev.mp4
    │  97_1-环境配置方法解读_ev.mp4
    │  98_2-数据集下载与配置方法_ev.mp4
    │  99_3-特征提取以及BEV空间初始化_ev.mp4
    │  9_8-DEMO应用演示_ev.mp4
    │
    └─AIGC与大模型
        └─AIGC与大模型
            │  LLAVA_YOLO.rar
            │  第一章：GPT系列.pdf
            │  第二章：ChinesePretrainedModels.zip
            │
            ├─llama3
            │      Chinese-LLaMA-Alpaca-3-main.zip
            │      LLAMA3.docx
            │      rag.zip
            │
            ├─SAM2
            │      SAM2.pdf
            │      segment-anything-2-main.zip
            │
            ├─第七章：视觉大模型SAM
            │      SAM.pdf
            │      segment-anything-main.rar
            │
            ├─第三章：ChatGpt
            │      GPT系列.pdf
            │
            ├─第九章：扩散模型
            │      annotated_diffusion.ipynb
            │
            ├─第五章：LLM下游任务
            │      Huatuo-Llama-Med-Chinese-main.zip
            │
            ├─第八章：视觉QA
            │      From Images to Textual Prompts.pdf
            │
            ├─第六章：langchain
            │      langchain-tutorials-main.zip
            │
            ├─第十一章：dalle2源码解读
            │      DALLE2-pytorch-main.zip
            │
            ├─第十七章：BEVFORMER源码
            │      BEV特征空间bevformer.mp4
            │
            ├─第十三章：BEIT
            │      beit.pdf
            │
            ├─第十二章：自监督任务对比学习
            │      对比学习.pdf
            │
            ├─第十五章：BEITV2源码
            │      mmselfsup-1.x.zip
            │
            ├─第十六章：BEV感知
            │      BEV.pdf
            │
            ├─第十四章：BEITV2
            │      BEiT v2.pdf
            │
            ├─第十章：dalle2论文解读
            │      dalle2.pdf
            │
            └─第四章：LLM与LORA
                    大模型.pdf