【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)

7390
3
2025-02-22 15:42:38
71
26
502
44
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!!!
视频选集
(1/136)
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
客服
顶部
赛事库 课堂 2021拜年纪