100天掌握大语言模型-第三周

主题介绍：

100天学会大语言模型，从 Transformer 到 GPT

一场真正“讲透 LLM 核心算法”的技术讲座

在今天这个大语言模型的时代，GPT、Claude、Gemini、LLaMA，所有主流大语言模型，背后都有同一个核心架构：Transformer

但问题是——

❗ 很多人“听说过 Attention”
❗ 看过公式，却始终没真正理解

甚至在面试中：

👉 讲不清 Multi-Head Attention
👉 解释不出 √d_k 为什么存在
👉 无法从系统角度说明 Encoder / Decoder

为什么你必须真正理解 Transformer？因为Transformer = LLM 工程师的“地基能力”。你可以不会训练模型，但你不能不理解：

• Attention 是如何工作的？
• 为什么Transformer 可以替代 RNN？
• GPT 和BERT 本质上有什么区别？
• LLM 的“推理能力”从哪里来？

这不仅是知识问题，而是是否具备 AI 工程师思维的问题。本讲座基于经典论文“Attention Is All You Need（NeurIPS 2017）”结合完整教学系列“100天掌握大语言模型”，将带你从“听说过”到“真正理解”

1. 为什么Transformer 会颠覆整个AI 领域？

你将理解：

• RNN / LSTM 的三大致命瓶颈
• 为什么“并行计算”改变了一切
• Transformer 如何实现O(1) 路径建模长依赖
• 从“历史演进”看懂架构设计哲学

2. Attention 机制（核心中的核心）

深入讲透：

• Scaled Dot-Product Attention
• 为什么要除以√d_k（面试高频点🔥）
• Attention 的四步计算流程

你将真正理解， 模型是如何“决定关注谁”的

3. Multi-Head Attention（面试必考）

很多人只会背公式，但不会解释本质。本讲座将帮你搞懂：

• 为什么必须是“多头”？
• 每个head 在学什么？
• 为什么计算量没有增加？

4. Positional Encoding（最容易被忽略的关键点）

深入拆解：

• 正弦/ 余弦编码的数学意义
• 为什么不用线性位置编码？
• RoPE / Learned PE 的演进

5. Encoder & Decoder 架构全拆解

你将彻底搞懂：

• Self-Attention vs Cross-Attention
• Masked Attention（GPT核心）
• FFN 在模型中的真正作用
• 残差连接+ LayerNorm 的工程意义

6. 从Transformer 到GPT / BERT（关键过渡）

讲座最后会帮你建立：

• GPT（Decoder-only）的本质
• BERT（Encoder-only）的设计逻辑
• 现代LLM 的统一架构视角

适合人群

• 想成为LLM Engineer / AI Engineer 的开发者
• 正在准备LLM / AI 面试 的求职者
• 学过Transformer，但理解不深入的人
• 想从“会用API”升级到“理解模型本质”的工程师

————————————-

主办方：AI聘 — 北美数据类、软件类求职服务一站式服务。

三大项目为你全程解除求职困扰：

1. 找到工作再付费的Career VIP项目，为全职岗位求职者提供最专业的支持；
2. Career Plus项目，为全职求职者提供短期强化训练，低成本一站式求职服务；
3. Intern VIP项目，为短期实习求职者提供内推、全程面试辅导支持。

可登录 www.aipin.io了解更多项目信息和成功案例。
邮箱: [email protected]
电话: +1 (626) 566 1822