学习路线
本页提供推荐的学习顺序和每个模块的预估时间，帮助你制定自己的学习计划。
总览
整个教程预计需要 8-12 周（每周投入 10-15 小时）。你可以根据自身背景跳过已熟悉的模块。
第一阶段：基础知识
预计时间：2-3 周 | 难度：入门
如果你已有深度学习基础（熟悉 PyTorch、反向传播、基本 NLP），可以快速浏览或跳过本阶段。
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 1.1 | 数学基础 | 6-8 小时 | 高中数学 |
| 1.2 | Python & 机器学习 | 4-6 小时 | Python 基础 |
| 1.3 | 神经网络基础 | 4-6 小时 | 线性代数、PyTorch |
| 1.4 | NLP 基础概念 | 3-4 小时 | 神经网络 |
阶段目标： 能手写一个简单的前馈神经网络，理解梯度下降和反向传播的原理。
第二阶段：模型架构（核心）
预计时间：2-3 周 | 难度：中等
这是整个教程的核心模块，建议所有人认真学习，不要跳过。
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 2.1 | Transformer 完全解析 | 6-8 小时 | 神经网络、NLP 基础 |
| 2.2 | 注意力机制深入 | 4-6 小时 | Transformer |
| 2.3 | 分词器 | 3-4 小时 | NLP 基础 |
| 2.4 | 解码策略 | 2-3 小时 | Transformer |
| 2.5 | GPT 架构 | 3-4 小时 | Transformer |
| 2.6 | Llama 架构详解 | 4-6 小时 | GPT |
| 2.7 | DeepSeek-V3 技术分析 | 4-6 小时 | Llama |
阶段目标： 能从零实现一个完整的 Transformer，理解主流大模型的架构设计选择。
第三阶段：训练
预计时间：1-2 周 | 难度：中等偏高
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 3.1 | 预训练流程 | 4-6 小时 | 模型架构 |
| 3.2 | 数据集构建 | 3-4 小时 | NLP 基础 |
| 3.3 | 监督微调 (SFT) | 3-4 小时 | 预训练 |
| 3.4 | 偏好对齐 (RLHF/DPO/GRPO) | 6-8 小时 | SFT |
阶段目标： 理解大模型从预训练到对齐的完整流程，能使用开源框架完成一次 SFT 微调。
第四阶段：工程化
预计时间：1-2 周 | 难度：中等偏高
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 4.1 | 推理优化 | 4-6 小时 | 模型架构 |
| 4.2 | 模型量化 | 3-4 小时 | 线性代数、模型架构 |
| 4.3 | 分布式训练 | 4-6 小时 | 预训练 |
| 4.4 | 模型评估 | 3-4 小时 | 训练 |
阶段目标： 能独立部署一个大模型推理服务，理解常见的性能优化手段。
第五阶段：深度剖析
预计时间：持续进行 | 难度：高
本模块可以与其他模块穿插进行，在学完相关基础后随时深入。
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 5.1 | 深度剖析（持续更新中） | 4-6 小时 | 模型架构 |
更多深度剖析文章持续更新中（vLLM 源码分析等）
阶段目标： 培养阅读大型开源项目源码的能力，建立工程批判性思维。
第六阶段：应用
预计时间：1-2 周 | 难度：中等
| 序号 | 主题 | 预计时间 | 前置知识 |
|---|---|---|---|
| 6.1 | RAG 检索增强生成 | 4-6 小时 | 模型架构 |
| 6.2 | Agent 智能体 | 4-6 小时 | RAG |
| 6.3 | 多模态大模型 | 4-6 小时 | 模型架构 |
阶段目标： 能构建一个基于 RAG 的问答系统或简单的 Agent 应用。
不同背景的推荐路径
计算机专业学生（有编程基础）
快速浏览第一阶段 → 重点学习第二、三阶段 → 选修第四、五、六阶段
预计时间：6-8 周
AI/ML 从业者（有深度学习经验）
跳过第一阶段 → 重点学习第二阶段 → 根据工作需要选修后续模块
预计时间：4-6 周
完全零基础的初学者
按顺序从第一阶段开始，不要跳过任何模块
预计时间：10-12 周
学习建议
- 动手优先：每学完一个概念就运行配套代码，不要只看不练。
- 做好笔记：用自己的话复述学到的内容，这是检验理解程度的最好方式。
- 善用练习系统：从选择题开始，逐步过渡到代码填空和完整实现。
- 不要赶进度：宁可一个模块学透，也不要囫囵吞枣地赶完全部内容。
- 参与社区：在 GitHub Issues 中提问和讨论，和其他学习者互相帮助。