首页

投稿

【全137集】清华大学2025版大模型公开课！入门到进阶，全程干货讲解！拿走不谢！（神经网络/Transformer/深度学习/BERT/大模型/GPT）

8688

3

2025-02-22 15:42:38

未经作者授权，禁止转载

配套课件、代码，关注公.众.呺【大模型星球】，发暗号【321】无偿获取！ up还给大家整理了200G大模型学习资.源，一并发送！！！

清华大模型课程

大模型官方讲堂发消息

1.1-1 课程内容介绍 1)

01:32

2.1-2 课程大纲 2)

01:57

3.1-3 课程计划 3)

03:34

4.1-4 自然语言处理基础--基础与应用 4)

28:39

5.1-5 自然语言处理基础--词表示与语言模型 5)

24:41

6.1-6 大模型基础--大模型之旅 6)

05:33

7.1-7 大模型基础--大模型背后的范式 7)

02:47

8.1-8 大模型基础--实例 8)

13:29

9.1-9 编程环境和GPU服务器介绍 9)

03:31

10.2-1 课程内容介绍 10)

01:42

11.2-2 神经网络基础--大纲介绍 11)

01:00

12.2-3 神经网络的基本组成元素 12)

13:36

13.2-4 如何训练神经网络 13)

22:07

14.2-5 词向量：Word2vec 14)

15:32

15.2-6 循环神经网络（RNN） 15)

10:12

16.2-7 门控循环单元（GRU） 16)

04:45

17.2-8 长短期记忆网络（LSTM） 17)

06:31

18.2-9 双向RNN 18)

02:21

19.2-10 卷积神经网络（CNN） 19)

08:02

20.2-11 演示：使用PyTorch训练模型 20)

14:24

21.3-1 课程内容介绍 21)

00:38

22.3-2 注意力机制--原理介绍 22)

08:14

23.3-3 注意力机制--注意力机制的各种变式 23)

00:52

24.3-4 注意力机制--注意力机制的特点 24)

01:41

25.3-5 Transformer结构--概述 25)

04:13

26.3-6 Transformer结构--输入编码（BPE,PE） 26)

08:38

27.3-7 Transformer结构--Encoder Block 27)

10:36

28.3-8 Transformer结构--Decoder Block 28)

03:34

29.3-9 Transformer结构--优化Tricks 29)

00:51

30.3-10 Transformer结构--试验结果以及可视化 30)

02:17

31.3-11 Transformer结构--Transformer优缺点 31)

01:53

32.3-12 预训练语言模型--语言建模概述 32)

05:11

33.3-13 预训练语言模型--PLM介绍 33)

25:40

34.3-14 预训练语言模型--MLM任务的应用 34)

04:08

35.3-15 预训练语言模型--前沿大模型介绍 35)

06:15

36.3-16 Transformers教程--Introduction 36)

05:44

37.3-17 Transformers教程--使用Transformers的P 37)

02:13

38.3-18 Transformers教程--Tokenization 38)

01:51

39.3-19 Transformers教程--常用API介绍 39)

01:58

40.3-20 Transformers教程--Demo讲解 40)

18:34

41.4-1 课程内容介绍 41)

01:39

42.4-2 Prompt-Learning和Delta-Tuning--背景和 42)

17:22

43.4-3 Prompt-Learning--基本组成与流程介绍 43)

08:10

44.4-4 Prompt-Learning--PTM选取 44)

03:17

45.4-5 Prompt-Learning--Template构造 45)

17:25

46.4-6 Prompt-Learning--Verbalizer构造 46)

06:02

47.4-7 Prompt-Learning--训练新范式 47)

10:34

48.4-8 Prompt-Learning--应用 48)

02:13

49.4-9 Prompt-Learning--总结 49)

01:31

50.4-10 Delta-Tuning--背景与介绍 50)

04:54

51.4-11 Delta-Tuning--增量式tuning 51)

04:39

52.4-12 Delta-Tuning--指定式tuning 52)

00:50

53.4-13 Delta-Tuning--重参数化tuning 53)

02:03

54.4-14 Delta-Tuning--统一tuning框架及理论联系 54)

08:28

55.4-15 Delta-Tuning--总结 55)

01:50

56.4-16 OpenPrompt--介绍与用法 56)

16:45

57.4-17 OpenDelta--介绍与用法 57)

15:35

58.5-1 课程内容介绍 58)

02:17

59.5-2 BMTrain--背景介绍 59)

07:57

60.5-3 BMTrain--Data Parallel (数据并行) 60)

11:26

61.5-4 BMTrain--Model Parallel（模型并行） 61)

05:07

62.5-5 BMTrain--ZeRO 62)

10:26

63.5-6 BMTrain--Pipeline Parallel (流水线并行 63)

02:09

64.5-7 BMTrain--混合精度训练 64)

04:04

65.5-8 BMTrain--Offloading 65)

01:47

66.5-9 BMTrain--Overlapping 66)

01:24

67.5-10 BMTrain--Checkpointing 67)

02:35

68.5-11 BMTrain--使用介绍 68)

01:12

69.5-12 BMCook--背景介绍 69)

06:03

70.5-13 BMCook--知识蒸馏 70)

15:39

71.5-14 BMCook--模型剪枝 71)

14:54

72.5-15 BMCook--模型量化 72)

05:25

73.5-16 其它模型压缩方法--Weight Sharing 73)

03:00

74.5-17 其它模型压缩方法--Low-rank Approximation 74)

03:16

75.5-18 其它模型压缩方法--Architecture Search (结 75)

03:19

76.5-19 BMCook--使用介绍 76)

06:29

77.5-20 BMInf--背景介绍 77)

09:04

78.5-21 BMInf--深入理解Transformer 78)

07:07

79.5-22 BMInf--Quantization (量化) 79)

06:48

80.5-23 BMInf--Memory Scheduling 80)

06:41

81.5-24 BMInf--BMInf使用介绍 81)

05:03

82.6-1 基于大模型文本理解和生成介绍 82)

05:43

83.6-2 信息检索--背景 83)

02:13

84.6-3 信息检索--定义和评测 84)

05:22

85.6-4 信息检索--传统方法 85)

03:35

86.6-5 信息检索--神经网络方法（大模型） 86)

05:11

87.6-6 信息检索--前沿热点 87)

14:21

88.6-7 机器问答--QA介绍 88)

10:07

89.6-8 机器问答--阅读理解 89)

11:55

90.6-9 机器问答--开放域QA 90)

18:51

91.6-10 文本生成--介绍 91)

01:19

92.6-11 文本生成--文本生成任务 92)

05:36

93.6-12 文本生成--神经网络文本生成 93)

26:17

94.6-13 文本生成--受控文本生成 94)

04:43

95.6-14 文本生成--文本生成测评 95)

03:15

96.6-15 文本生成--挑战 96)

06:37

97.7-1 课程内容介绍安排 97)

00:54

98.7-2 生物医学自然语言处理介绍 98)

05:58

99.7-3 生物医学文本挖掘的任务 99)

20:28

100.7-4 生物医学文本挖掘的PLMs 100)

01:56

101.7-5 生物医学文本挖掘的知识构建 101)

03:19

102.7-6 生物医学文本挖掘的应用 102)

05:41

103.7-7 生物医学辅助诊疗--介绍 103)

01:47

104.7-8 生物医学辅助诊疗--文本分类 104)

03:54

105.7-9 生物医学辅助诊疗--对话 105)

25:10

106.7-10 生物医学辅助诊疗总结 106)

03:08

107.7-11 生物医学特定物质表征过程 107)

04:08

108.7-12 生物医学特定物质表征--DNA 108)

07:38

109.7-13 生物医学特定物质表征--Protein 109)

15:08

110.7-14 生物医学特定物质表征--Chemicals 110)

13:30

111.7-15 Project 111)

02:12

112.7-16 生物医学NLP--未来方向 112)

03:06

113.8-1 大模型与法律应用Outline 113)

02:57

114.8-2 背景介绍 114)

08:19

116.8-4 两条研究路线 116)

02:37

117.8-5 数据驱动方法 117)

02:12

118.8-6 法律预训练语言模型 118)

20:40

119.8-7 知识指导方法 119)

40:28

120.8-8 法理量化分析 120)

06:05

121.8-9 法律智能未来方向 121)

03:06

122.8-10 法律智能未来挑战 122)

03:51

123.9-1 脑科学及大模型--主题介绍 123)

02:09

124.9-2 人脑与大模型--背景介绍 124)

08:17

125.9-3 人脑与大模型--人脑如何构建知识 125)

04:07

126.9-4 人脑与大模型--语言处理原则 126)

02:14

127.9-5 人脑与大模型--揭示语言的魔力 127)

14:23

128.9-6 大模型中的神经元--背景介绍 128)

05:51

129.9-7 大模型中的神经元--激活情况分析 129)

07:24

130.9-8 大模型中的神经元--转换模型架构MOE 130)

12:16

131.9-9 大模型神经元的应用--学到的特定功能 131)

24:15

132.9-10 大模型神经元的应用--作为迁移指标 132)

16:39

133.9-11 大模型神经元的应用--表示情感 133)

13:33

134.9-12 大模型认知能力--介绍 134)

07:54

135.9-13 大模型认知能力--下游任务实例 135)

14:17

136.9-14 大模型认知能力--挑战与限制 136)

01:13

137.9-15 课程总结 137)

02:02

顶部