面试完后，再看这个问题，
只能说一开始确实不知天高地厚了一点，没一点[NLP]经验还想弄大模型。不过好歹看了几天[八股]，面试官的问题也答出来一点，所以也恬着脸写一下面经。
1、首先就是自我介绍，介绍项目经历。[英语四六级]，编程语言。
2、你更熟悉的深度学习框架是什么？为什么选择它？
3、然后是关于大模型的整体架构
4、有哪些省内存的大语言模型训练方法？在[消费级显卡]上训练大模型的方法有了解过吗
5、是否参与过大规模语言模型的预训练或SFT？
6、关于SFT和[RLHF]之间的关系，为什么不用大规模的监督数据训练来代替强化学习
7、对BERT和[BART]的了解，他们的区别是什么
8、预训练方面，有哪些操作能让最后的performance变好
9、[LLMs]存在模型幻觉问题，请问如何处理？
10、请解释一下[注意力机制]是如何工作的，它在大模型中的应用有哪些？
11、你有使用过[分布式训练吗？在大规模模型上采用分布式训练有什么挑战？
12、最后是[transformer](八股，经典为什么要除以根号d和为什么要用layer norm不用batch normlization。
面试下来感觉自己基础太薄弱了，大模型的水很深，即使是实习也是要求很高，很多公司起步都是硕博，还要有paper，有大模型的训练经历。不过这两天看八股也不是一点收获也没有，至少发现了以后要做的[speech方向和NLP有很多共通之处，基本上这两个方向是可以互转的。现在ai的三大方向NLP，[CV]，SPEECH依靠大模型的红利还能暂缓就业，但是未来究竟会发展成啥样前景很不明朗。
总结来说转码之路道阻且长，大学地域限制，课程所学脱离产业严重，当然这些只是客观debuff，最重要的原因还是自己眼高手低不肯认真学。以前看知乎问题“作为一个985废物是什么体验？”只觉得是乐子，现在真是感同身受。
如何学习AI大模型？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “？”“”等问题热议不断。
不如成为「」，毕竟AI时代，谁先尝试，谁就能占得先机！
想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高
那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 分享出来：包括等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈
学习路线
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/75775.html