- 探究前沿：解读技术热点，解构热点模型
- 应用实践：理论实践相结合，手把手指导开发
- 专家解读：多领域专家，多元解读
- 开源共享：课程免费，课件代码开源
- 大赛赋能：ICT大赛赋能课程（大模型专题第一、二期）
- 系列课程：大模型专题课程开展中，其他专题课程敬请期待
报名链接：https://xihe.mindspore.cn/course/foundation-model-v2/introduction
（注：参与免费课程必须报名哦！同步添加QQ群，后续课程事宜将在群内通知！）
第二期课程10月14日起每双周六14：00-15：00在b站进行直播。
每节课程的ppt和代码会随授课逐步上传至github，系列视频回放归档至b站，大家可以在昇思MindSpore公众号中获取每节课的知识点回顾与下节课的课程预告，同时欢迎大家在MindSpore社区领取大模型系列任务进行挑战。
因为课程周期较长，课节安排可能会在中途出现微调，以最终通知为准，感谢理解！
热烈欢迎小伙伴们参与到课程的建设中来，基于课程的趣味开发可以提交至昇思MindSpore大模型平台
如果在学习过程中发现任何课件及代码方面的问题，希望我们讲解哪方面的内容，或是对课程有什么建议，都可以直接在本仓库中创建issue
- python
- 人工智能基础、深度学习基础（重点学习自然语言处理）：MindSpore-d2l
- OpenI启智社区基础使用（可免费获取算力）：OpenI_Learning
- MindSpore基础使用：MindSpore教程
- MindFormers基础使用：MindFormers讲解视频
昇思MindSpore技术公开课火热开展中，面向所有对大模型感兴趣的开发者，带领大家理论结合时间，由浅入深地逐步深入大模型技术
在已经完结的第一期课程（第1讲-第10讲）中，我们从Transformer开始，解析到ChatGPT的演进路线，手把手带领大家搭建一个简易版的“ChatGPT”
正在进行的第二期课程（第11讲-）在第一期的基础上做了全方位的升级，围绕大模型从开发到应用的全流程实践展开，讲解更前沿的大模型知识、丰富更多元的讲师阵容，期待你的加入！
| 章节序号 | 章节名称 | 课程简介 | 视频 | 课件及代码 | 知识点总结 |
|---|---|---|---|---|---|
| 第一讲 | Transformer | Multi-head self-attention原理。Masked self-attention的掩码处理方式。基于Transformer的机器翻译任务训练。 | link | link | link |
| 第二讲 | BERT | 基于Transformer Encoder的BERT模型设计：MLM和NSP任务。BERT进行下游任务微调的范式。 | link | link | link |
| 第三讲 | GPT | 基于Transformer Decoder的GPT模型设计：Next token prediction。GPT下游任务微调范式。 | link | link | link |
| 第四讲 | GPT2 | GPT2的核心创新点，包括Task Conditioning和Zero shot learning；模型实现细节基于GPT1的改动。 | link | link | link |
| 第五讲 | MindSpore自动并行 | 以MindSpore分布式并行特性为依托的数据并行、模型并行、Pipeline并行、内存优化等技术。 | link | link | link |
| 第六讲 | 代码预训练 | 代码预训练发展沿革。Code数据的预处理。CodeGeex代码预训练大模型。 | link | link | link |
| 第七讲 | Prompt Tuning | Pretrain-finetune范式到Prompt tuning范式的改变。Hard prompt和Soft prompt相关技术。只需要改造描述文本的prompting。 | link | link | link |
| 第八讲 | 多模态预训练大模型 | 紫东太初多模态大模型的设计、数据处理和优势；语音识别的理论概述、系统框架和现状及挑战。 | link | / | / |
| 第九讲 | Instruct Tuning | Instruction tuning的核心思想：让模型能够理解任务描述（指令）。Instruction tuning的局限性：无法支持开放域创新性任务、无法对齐LM训练目标和人类需求。Chain-of-thoughts：通过在prompt中提供示例，让模型“举一反三”。 | link | link | link |
| 第十讲 | RLHF | RLHF核心思想：将LLM和人类行为对齐。RLHF技术分解：LLM微调、基于人类反馈训练奖励模型、通过强化学习PPO算法实现模型微调。 | link | link | 更新中 |
| 第十一讲 | ChatGLM | GLM模型结构，从GLM到ChatGLM的演变，ChatGLM推理部署代码演示 | link | link | 更新中 |
| 第十二讲 | 多模态遥感智能解译基础模型 | 大模型时代的遥感智能，遥感基础模型技术路线，遥感领域典型场景应用 | link | / | / |
| 第十三讲 | ChatGLM2 | ChatGLM2技术解析，ChatGLM2推理部署代码演示，ChatGLM3特性介绍 | link | link | 更新中 |
| 第十四讲 | 文本生成解码原理 | 以MindNLP为例，讲解搜索与采样技术原理和实现 | link | link | 更新中 |
| 第十五讲 | LLAMA | LLaMA背景及羊驼大家族介绍，LLaMA模型结构解析，LLaMA推理部署代码演示 | link | link | 更新中 |
| 第十六讲 | LLAMA2 | 介绍LLAMA2模型结构，走读代码演示LLAMA2 chat部署 | |||
| 第十七讲 | 云从大模型 | / | |||
| 第十八讲 | MOE | / | |||
| 第十九讲 | CPM | 介绍CPM-Bee预训练、推理、微调及代码现场演示 | |||
| 第二十讲 | 高效参数微调 | 介绍Lora、（P-Tuning）原理及代码实现 | |||
| 第二十一讲 | 参数微调平台 | / | |||
| 第二十二讲 | Prompt Engineering | / | |||
| 第二十三讲 | 量化 | 介绍低比特量化等相关模型量化技术 | |||
| 第二十四讲 | 框架LangChain模块解析 | 解析Models、Prompts、Memory、Chains、Agents、Indexes、Callbacks模块，及案例分析 | |||
| 第二十五讲 | LangChain对话机器人综合案例 | MindSpore Transformers本地模型与LangChain框架组合使用，通过LangChain框架管理向量库并基于向量库对MindSpore Transformers本地模型问答进行优化 |
 |
 |
 |