LEARN / TUTORIALS

系统教程

从基础概念到实践应用,按章节逐步建立知识体系。

人工智能 · 34 门教程

AI Agent

LangGraph 智能体工作流:搭建可恢复智能体

复杂智能体加入工具、循环、人工审批和长期记忆后,普通链式调用难以维护。课程以 LangGraph 1.2 与 Python 为基线,从状态图、路由和持久化推进到子图、多智能体、流式执行与部署,最终完成可暂停、可恢复、可观测的智能体工作流。

大模型原理与训练

大模型推理部署与加速:从单卡到集群

大模型上线后,显存、首 Token 延迟、吞吐和多卡通信直接决定成本与体验。课程覆盖显存估算、量化、KV Cache、连续批处理、主流推理引擎、多卡多机、压测与 Kubernetes 部署,学完能完成容量评估、引擎选型和生产调优。

大模型原理与训练

模型蒸馏与量化部署:从压缩到上线

大模型效果达标后,显存、延迟和成本常成为上线瓶颈。课程以 PyTorch 2.x、Transformers 4.x 为基线,覆盖蒸馏、INT8/INT4、GPTQ/AWQ、QAT 与 vLLM/GGUF 部署,完成压缩训练、量化和基准验收。

大模型原理与训练

大模型微调:LoRA、QLoRA 到全参数训练

大模型微调常受显存、数据质量和训练稳定性限制。课程采用 Transformers 5.x、PEFT 0.20+ 与 TRL 1.x,完成 LoRA、QLoRA 和全参数训练,对比质量、速度与资源成本,并交付可复现的最佳模型。

机器学习与深度学习

CNN 从卷积原理到图像分类部署

图像分类模型常能跑通,却容易在卷积尺寸、梯度传播、过拟合和部署性能上失控。课程以 PyTorch 为实验框架,从像素张量、卷积和感受野推到残差网络、迁移学习、可解释性与推理优化,最终能独立训练、诊断并部署可靠的 CNN 图像分类模型。

大模型应用开发

RAG 应用开发基础教程

面向具备 Python 或后端开发基础、希望快速构建企业知识问答应用的开发者。课程围绕 RAG 核心链路展开,覆盖文档解析、文本切分、向量化、索引构建、混合检索、重排序、上下文组装、答案生成、效果评估、安全控制与生产部署,并通过综合项目串联关键实践与常见故障排查方法。

登录哪都通