Nanosaur2-670M
well9472 · 工具包
用一个 670M 参数的小型扩散模型，根据文字提示生成插画，在 ComfyUI 中运行。这是一个低预算的研究模型，适合想试用或训练自己 LoRA 的人。
新上架
概览
Sebastian Raschka 所著那本书的官方代码，教你用 PyTorch 一章一章搭出一个类 GPT 的大语言模型。笔记本涵盖文本数据、注意力、预训练和微调。安装说明涵盖 uv、pixi、Conda、Docker、Lightning 和 Colab。
Build a Large Language Model 从零构建大模型 是一款 GitHub 上的开源项目，属于教育类，由 Mindket 上架。可免费获取。当前为第 2 版，最近更新于 。按它的 README 从 GitHub 安装。Mindket 的设置说明可在你的 Mindket 账户获取，以 zip 压缩包下载。
速览
- 用在
- 你自己的电脑：uv、pixi、pip 或 Conda 环境，配 JupyterLab 或 VS Code
- VS Code 里的 Docker DevContainer，可选用 NVIDIA GPU
- Lightning AI Studio：云端的持久环境，在 CPU 和 GPU 上都有 VS Code 和 JupyterLab
- Google Colab：从 GitHub 打开某一章的笔记本，并上传它要导入的文件
- 先运行
git clone --depth 1 https://github.com/rasbt/LLMs-from-scratch.git cd LLMs-from-scratch
平台
VS Code
Docker
关于
它是什么
这是 Sebastian Raschka 所著《Build a Large Language Model (From Scratch)》一书的官方代码仓库，由 Manning 出版。README 说，你会用 PyTorch 一步一步搭出一个类 GPT 的大语言模型，从文本数据一直做到预训练和微调，不用任何外部的大语言模型库。你训练的这个小模型，用的方法和 ChatGPT 背后那类大模型是一致的。仓库里有书中的笔记本、脚本和额外材料。书本身是另一个产品，README 里给了 Manning 和 Amazon 的链接。
- 装好 Python 和依赖
- 在 JupyterLab 里打开某一章的笔记本
- 第 2 到 4 章：文本数据、注意力、GPT 模型
- 第 5 章：预训练，并加载 GPT-2 权重
- 第 6、7 章：微调成分类器，再微调成能听指令
适合谁
会 Python、想通过亲手写一个来弄懂大语言模型怎么工作的程序员。README 说最重要的前提是扎实的 Python 基础。有深度神经网络的经验会更容易上手，PyTorch 基础有用但不是必须，附录 A 简要介绍了 PyTorch。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 自学的开发者 | 会 Python 的程序员 | 读一章，跑它的笔记本，再对照习题答案 | 一位开发者跑 ch03.ipynb 写出注意力，再打开同一文件夹里的 exercise-solutions.ipynb。 |
| 学生和学习小组 | 学机器学习课程的人 | 一章一章往下学，用 Manning 的免费测验 PDF 自测 | 一个学习小组学完第 4 章，再做 PDF 里那一章的测验题。 |
| 机器学习工程师 | 平时通过 API 调用大语言模型的工程师 | 读额外材料的文件夹，看新架构是怎么从零搭出来的 | 一位工程师打开第 5 章的 Qwen3 文件夹，读一个从零写成的 Qwen3 模型。 |
| 教师 | 老师和工作坊负责人 | 布置一章的笔记本和它的跟做视频 | 一位老师布置第 2 章，并播放作者讲文本数据的视频。 |
如果你想要现成的模型来调用，或者想要一个库来做产品，可以不用它。README 把你训练的模型描述为小而能用，目的是教学。
用在哪里
代码是用 PyTorch 的 Jupyter 笔记本和 Python 脚本，第 5 到 7 章还要用 TensorFlow 读取 GPT-2 权重。README 说主要章节在普通笔记本电脑上就能跑，不需要特殊硬件，有 GPU 时代码会自动使用。设置页说，云端的 NVIDIA GPU 对第 5 到 7 章帮助最大。
- 你自己的电脑：uv、pixi、pip 或 Conda 环境，配 JupyterLab 或 VS Code
- VS Code 里的 Docker DevContainer，可选用 NVIDIA GPU
- Lightning AI Studio：云端的持久环境，在 CPU 和 GPU 上都有 VS Code 和 JupyterLab
- Google Colab：从 GitHub 打开某一章的笔记本，并上传它要导入的文件
- 只读的话用浏览器：GitHub 会显示文件并渲染 Markdown
如何设置
点“获取”会把一个装有 Mindket 安装说明的 zip 压缩包存进你的下载文件夹，里面有仓库各个设置页里每条路线的步骤。如果已经装好 Python，设置页说最快的办法是在仓库根目录运行一行 pip install -r requirements.txt。作者自己的路线会先建一个 uv 虚拟环境。
| 需要 | 说明 |
|---|---|
| Python | 所有章节都能用的是 3.10 到 3.12。pyproject.toml 允许 >=3.10,<3.15，但只在 3.13 以下安装 TensorFlow，而第 5 到 7 章要用它加载 GPT-2 权重。检查脚本只对低于 3.9 的版本报错 |
| Git | 用来克隆仓库。README 也提供了 Download ZIP 按钮 |
| 网络连接 | 第 5 到 7 章要下载 GPT-2 权重，笔记本里的图片从作者的网站加载 |
| NVIDIA GPU | 可选。代码发现有就会自动使用 |
| Ollama | 第 7 章的评估步骤要用（主章节讲的就是它，ollama_evaluate.py 是它的总结），第 7 章几个用 Ollama 的额外材料笔记本也要用 |
- 克隆仓库，打开它的文件夹。
- 建一个虚拟环境并激活它。作者用 uv 来做这件事。
- 安装依赖。
- 在 JupyterLab 里打开一章。启动 JupyterLab，打开这一章的笔记本。也可以先运行环境检查。
git clone --depth 1 https://github.com/rasbt/LLMs-from-scratch.git cd LLMs-from-scratch
pip install uv uv venv --python=python3.10 source .venv/bin/activate uv pip install -r requirements.txt
在 Windows 上，设置建议说你可能得把激活那一行换成 source .venv/Scripts/activate 或 .venv/Scripts/activate。某个依赖装不上的话，就退回普通的 pip。
pip install -r requirements.txt
python setup/02_installing-python-libraries/python_environment_check.py jupyter lab
在 Windows 上，作者推荐用 pixi 而不是 uv 自带的命令，因为 pyproject.toml 里有些依赖在那里会出问题。在 Google Colab 上，把下面这行放在笔记本最上面的单元格里：
pip install uv && uv pip install --system -r https://raw.githubusercontent.com/rasbt/LLMs-from-scratch/refs/heads/main/requirements.txt
如何使用
先读一章，再打开它的笔记本。章节笔记本里有书中出现的全部代码，第 2 到 7 章和附录 A 各有一个习题答案笔记本。README 的表格列出了每章的主笔记本和一个放额外材料的文件夹。
| 章节 | 主笔记本 | 文件夹 |
|---|---|---|
| 第 2 章：处理文本数据 | ch02.ipynb | ch02/01_main-chapter-code |
| 第 3 章：编写注意力机制 | ch03.ipynb | ch03/01_main-chapter-code |
| 第 4 章：从零实现 GPT 模型 | ch04.ipynb | ch04/01_main-chapter-code |
| 第 5 章：在无标注数据上预训练 | ch05.ipynb | ch05/01_main-chapter-code |
| 第 6 章：为文本分类做微调 | ch06.ipynb | ch06/01_main-chapter-code |
| 第 7 章：微调以遵循指令 | ch07.ipynb | ch07/01_main-chapter-code |
| 附录 A：PyTorch 简介 | code-part1.ipynb、code-part2.ipynb | appendix-A/01_main-chapter-code |
各章还有总结本章的独立脚本，比如第 5 章的 gpt_train.py。第 7 章主代码的 README 展示了其中两个脚本的运行方法，它们都在 ch07/01_main-chapter-code 文件夹里：
python gpt_instruction_finetuning.py python ollama_evaluate.py --file_path instruction-data-with-response-standalone.json
README 给的第二个脚本的示例输出，以“Ollama running: True”开头。
示例
你想学注意力那一章。你激活环境，在仓库文件夹里启动 JupyterLab，打开 ch03/01_main-chapter-code/ch03.ipynb。
cd LLMs-from-scratch source .venv/bin/activate jupyter lab
从头往下运行各个单元格。学完这一章，打开同一文件夹里的 exercise-solutions.ipynb，和你自己的做法对照。排错页说，这些主笔记本与印刷版的书保持同步。
新手与专家
新手：大语言模型，简称 LLM，就是 ChatGPT 这类聊天工具背后的那种模型。这本书教的就是它怎么工作，所以你不懂也能开始。先看 README 表格里的设置建议。第 1 章没有代码，所以第一个笔记本是第 2 章的。如果 Python 对你还很陌生，先去学 Python。如果不熟悉 PyTorch，就读附录 A。README 还链接了作者写的一篇怎么读好这本书的文章。
专家：可选的 PyPI 包 llms-from-scratch 能导入各章的代码，比如 llms_from_scratch.ch03 里的 MultiHeadAttention，还带有 GPT-2、Llama 3 和 Qwen3 的 KV 缓存版本。
第 4 章的额外材料有分组查询注意力、多头潜在注意力、滑动窗口注意力、Gated DeltaNet 和混合专家模型。第 5 章增加了从零写成的 Llama 3.2、Qwen3、Gemma 3 和 Olmo 3 模型，第 7 章增加了 DPO。额外材料的笔记本需要更多的包，一行 uv 命令就能装上：
uv pip install --group bonus
附录 A 的多 GPU 演示是个脚本，用 python DDP-script.py 运行，旁边还有一个 torchrun 版本。在 Apple Silicon 的 Mac 上，排错页说不少脚本有意不用 mps 后端，所以损失发散时先在 cpu 上重跑。作者的续作《Build A Reasoning Model (From Scratch)》有自己的仓库，README 还链接了其中的额外材料。
注意事项
代码和笔记本在你的机器上运行。安装依赖、第一次运行第 5 到 7 章都要联网，笔记本里的图片每次打开都从作者的网站加载。
- 下载：第 5 到 7 章从 openaipublic.blob.core.windows.net 下载 GPT-2 权重，Backblaze 上有备份，笔记本从作者的网站加载图片
- 费用：仓库免费。书和视频课程在 Manning 的网站上。Lightning 和 Colab 是另外的服务，页面没有给出价格
- 你的提示词：第 7 章额外的评估材料里，有一个笔记本通过 API 使用 OpenAI 的 GPT-4，另一个用 Ollama 在本地运行 Llama 3 模型
- Docker：DevContainer 默认以 root 运行，如果构建出错，指南说多半是因为机器没有兼容的 NVIDIA GPU，这时删掉 runArgs 那一行
- 版本：检查脚本仍接受 Python 3.9，而 pyproject.toml 要求 >=3.10,<3.15；设置建议推荐 3.10 或更新版本，并以 3.10 或 3.11 为例，原生 uv 页的示例用 3.11
- 抄写错误：包 README 里第 4 章的导入少了一个逗号，附录 A 把 CUDA_VISIBLE_DEVICES 拼错了。原生 uv 页的 Windows 命令以 | more 结尾，Mindket 认为这是笔误。工具包里逐一标了出来
- 贡献：作者不能接受扩展主章节代码的改动，因为它要和印刷版的书保持一致
- 移除：删掉文件夹即可。uv 环境就是里面的 .venv 文件夹，Docker 页给出了删除容器镜像的 docker image rm。用 Conda 建的 LLMs 环境不在这个文件夹里，各页没有给出删除它的步骤
- 许可证：Apache License 2.0，对 Source 的定义有改动，把关于该软件的书和它们的图片排除在外。GitHub 的许可证字段显示“Other”。工具包里是 Mindket 的说明，不含代码和书
README 和文件
Build a Large Language Model (From Scratch)：安装说明
这个工具包里只有安装说明，由 Mindket 编写。代码、笔记本和额外材料留在 Sebastian Raschka 的仓库里：https://github.com/rasbt/LLMs-from-scratch
这些说明不是 Sebastian Raschka 或 Manning 写的，也没有得到他们的认可。README 说，这个仓库“contains the code for developing, pretraining, and finetuning a GPT-like LLM and is the official code repository for the book Build a Large Language Model (From Scratch)”，意思是：它包含开发、预训练和微调一个类 GPT 大语言模型的代码，是《Build a Large Language Model (From Scratch)》一书的官方代码仓库。这些说明根据 README、设置页和“来源”里列出的文件写成，阅读日期是 2026 年 11 月 3 日。
许可证：LICENSE.txt 文件是 Apache License 2.0，只改了一个定义。它的“Source”形式是“the preferred form for making modifications, explicitly excluding any books specific to this software and any related images”，意思是：修改时首选的形式，明确不包括专属于这个软件的书和相关图片。版权行写的是 Sebastian Raschka，GitHub 的许可证字段显示“Other”。这个工具包里既没有书，也没有它的图片。来源见 https://github.com/rasbt/LLMs-from-scratch/blob/main/LICENSE.txt
仓库是什么
README 说，在这本书里你会“learn and understand how large language models (LLMs) work from the inside out by coding them from the ground up, step by step”，意思是：通过一步步从头写代码，从内部学懂大语言模型是怎么工作的。训练“your own small-but-functional model for educational purposes”（你自己的、小而能用的教学模型）的方法，和做出 ChatGPT 背后那类大型基础模型的方法一致。书里还有加载更大预训练模型的权重来做微调的代码。README 链接了出版方 Manning 上的这本书，也链接了 Amazon。来源见 https://github.com/rasbt/LLMs-from-scratch/blob/main/README.md
代码用 PyTorch，用 README 的话说，不用任何外部的大语言模型库。最重要的前提是“a strong foundation in Python programming”，即扎实的 Python 编程基础。有深度神经网络的经验会有帮助，PyTorch 基础有用但不是必须，因为附录 A 是对 PyTorch 的简要介绍。
里面有什么
| 章节 | 文件夹 | 代码 |
|---|---|---|
| 第 1 章：理解大语言模型 | 未列出 | 无 |
| 第 2 章：处理文本数据 | ch02 | 有 |
| 第 3 章：编写注意力机制 | ch03 | 有 |
| 第 4 章：从零实现 GPT 模型 | ch04 | 有 |
| 第 5 章：在无标注数据上预训练 | ch05 | 有 |
| 第 6 章：为文本分类做微调 | ch06 | 有 |
| 第 7 章：微调以遵循指令 | ch07 | 有 |
| 附录 A：PyTorch 简介 | appendix-A | 有 |
| 附录 B：参考文献和延伸阅读 | appendix-B | 无 |
| 附录 C：习题答案 | appendix-C | 链接到各章的答案 |
| 附录 D：给训练循环加上各种增强 | appendix-D | 有 |
| 附录 E：用 LoRA 做参数高效微调 | appendix-E | 有 |
每个有代码的文件夹里都有一个 01_main-chapter-code 文件夹，放着与书对应的笔记本，章节文件夹里还有编号的额外材料文件夹。标题和文件夹抄自 README 的表格。每章的主笔记本列在 setup/chapter-map.md 里。
设置方式
- setup/uv-and-pip.md：在你自己的电脑上用 pip 或 uv 的 pip 命令，这是作者的第一推荐。
- setup/native-uv.md：uv 自己的命令，
uv sync和uv run。 - setup/pixi.md：pixi，作者推荐 Windows 用户用它代替 uv 自带的
uv add命令。 - setup/conda.md：通过 Miniforge 用 Conda，uv 这条路走不通时的备选。
- setup/docker-dev-container.md：VS Code 里的 Docker DevContainer。
- setup/colab-and-lightning.md：云端的 Lightning AI Studio 和 Google Colab。
- setup/vs-code-and-jupyter.md：编辑器、它推荐的扩展和 JupyterLab 的小技巧。
- setup/chapter-map.md：每一章该打开哪个笔记本或脚本，以及怎么运行脚本。
- setup/pip-package.md：可选的
llms-from-scratch包，能导入各章的代码。 - setup/troubleshooting.md：图片加载不出来、保留你对笔记本的改动、Apple Silicon，以及各设置页里的坑。
开始之前
- Python 3.10 或更新版本，这是 Python 设置建议推荐的。
pyproject.toml写的是>=3.10,<3.15，它的 TensorFlow 行只适用于 3.13 以下的 Python。各页说法不一致的地方见 setup/troubleshooting.md。 - Git，或者仓库页上的 Download ZIP 按钮。
- README 说主要章节“designed to run on conventional laptops within a reasonable timeframe”，意思是设计成在普通笔记本电脑上用合理的时间跑完，不需要专门的硬件，有 GPU 时代码会自动使用。设置页补充说，云端的 NVIDIA GPU 能大幅缩短第 5 到 7 章的运行时间。
- 需要网络连接。第 5 到 7 章会下载 GPT-2 权重，笔记本从作者的网站加载图片。见 setup/troubleshooting.md。
来源见 https://github.com/rasbt/LLMs-from-scratch/blob/main/README.md 和 https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/README.md
获取代码
README 给了两种办法：Download ZIP 按钮，或者下面这条命令。来源见 https://github.com/rasbt/LLMs-from-scratch/blob/main/README.md
git clone --depth 1 https://github.com/rasbt/LLMs-from-scratch.gitREADME 用的 Download ZIP 链接是 https://github.com/rasbt/LLMs-from-scratch/archive/refs/heads/main.zip
如果你想保留自己的改动又能收到更新，先 fork 仓库。见 setup/troubleshooting.md。
更新或移除
各页没有给出普通克隆的更新步骤。排错页为 fork 加了一个 upstream 远程，见 setup/troubleshooting.md。对没有 fork 的克隆，在文件夹里运行 git pull 就能更新，这是 Mindket 的说法，不是作者的。
要移除，删掉文件夹即可。uv 建的虚拟环境在里面的 .venv 文件夹里，原生 uv 页说你可以直接删掉这个文件夹，从头再来。Docker 页给出 docker image ls 和 docker image rm [IMAGE_ID_OR_NAME] 来处理 DevContainer 的镜像，见 setup/docker-dev-container.md。
README 链接的相关材料
- 视频课程：README 说有一个配套的视频课程在 Manning 的网站上，作者在里面逐章写代码。https://www.manning.com/livevideo/master-and-build-large-language-models
- YouTube 上的跟做视频：设置页链接了第一个 https://www.youtube.com/watch?v=yAcWnfsZhzo 而第 2 到 7 章的 README 各链接一个，比如第 2 章的 https://www.youtube.com/watch?v=341Rb8fJxY0
- 续作《Build A Reasoning Model (From Scratch)》和它的仓库：https://github.com/rasbt/reasoning-from-scratch
- Manning 的一份免费 PDF《Test Yourself On Build a Large Language Model (From Scratch)》，每章有测验题和答案：https://www.manning.com/books/test-yourself-on-build-a-large-language-model-from-scratch
- 提问：Manning 论坛，或者 GitHub Discussions，地址是 https://github.com/rasbt/LLMs-from-scratch/discussions
来源
- README https://github.com/rasbt/LLMs-from-scratch/blob/main/README.md
- 设置 https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/README.md
- Python 设置建议 https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/01_optional-python-setup-preferences/README.md
- 原生 uv https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/01_optional-python-setup-preferences/native-uv.md
- 原生 pixi https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/01_optional-python-setup-preferences/native-pixi.md
- 安装库 https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/02_installing-python-libraries/README.md
- Docker https://github.com/rasbt/LLMs-from-scratch/blob/main/setup/03_optional-docker-environment/README.md
- 排错 https://github.com/rasbt/LLMs-from-scratch/blob/main/troubleshooting.md
- 软件包 https://github.com/rasbt/LLMs-from-scratch/blob/main/pkg/llms_from_scratch/README.md
- requirements.txt 和 pyproject.toml https://github.com/rasbt/LLMs-from-scratch/blob/main/requirements.txt 和 https://github.com/rasbt/LLMs-from-scratch/blob/main/pyproject.toml
- LICENSE https://github.com/rasbt/LLMs-from-scratch/blob/main/LICENSE.txt
README.md 8 KB setup/chapter-map.md 5 KB setup/colab-and-lightning.md 2 KB setup/conda.md 3 KB setup/docker-dev-container.md 5 KB setup/native-uv.md 3 KB setup/pip-package.md 3 KB setup/pixi.md 3 KB setup/troubleshooting.md 5 KB setup/uv-and-pip.md 5 KB setup/vs-code-and-jupyter.md 2 KB
更新内容
Updated by Mindket to the current version of this kit.
同类产品对比
同一分类里与本产品共有主题最多的已上架 GitHub 项目。
| 产品 | 星标 | 活跃度 | 语言 | 许可证 | 最近更新 |
|---|---|---|---|---|---|
| Build a Large Language Model 从零构建大模型 本页 | 107,934 | — | — | — | — |
| AI Engineering from Scratch共有 from-scratch · deep-learning · generative-ai | 77,834 | — | — | MIT | — |
| 微软生成式 AI 入门课共有 gpt · language-model · generative-ai | 123,169 | 活跃 | Jupyter Notebook | MIT | |
| 微软 AI 入门课共有 artificial-intelligence · deep-learning · ai | 70,626 | — | — | MIT | — |
| LLM Course 大语言模型课程共有 large-language-models · llm | 84,938 | — | — | Apache-2.0 | — |
评价
大家怎么说
Hacker News、Bluesky、X、Reddit、Facebook 和 YouTube 上提到这个项目的帖子和评论，来自每周一次的搜索和 Trendshift。它们不是 Mindket 写的，也未经核实，点开即可在原帖处阅读。
kuberwastakenDay 1 of trying to fit a Chatbot into a QR CodeImage for day 1: https://i.imgur.com/bQ3Oxc5.png After I tried to fit DOOM inside a QR code last time (https://news.ycombinator.com/item?id=43729683), I'm trying to continue this "series" to get an actually decent chatbot into a QR code. This is, of course, not as easy as the former. I could…1 分 · 2 条回复midudev · Miguel Ángel Durán¡Crea tu propio modelo de IA! Este repositorio contiene el código para desarrollar, pre-entrenar y ajustar un LLM como GPT desde cero: github.com/rasbt/LLMs-f...22 赞 · 2 条回复@danielishakutvWant to get really good at generative AI? Save these 10 GitHub repos. 👇 The diagram is where they lead: AI agents with memory, tools, and a human still in control.r/openagiThe best free & open-source tools I've used this year that were 100% worth itdtfSebastian Raschka's from-scratch video course on building reasoning modelsThere's a note in Sebastian Raschka's LLMs-from-scratch github repository - "Recommendations for Getting the Most Out of a Technical Book". He recommends reading offline and code-free first (although chapter-by-chapter). https://github.com/rasbt/LLMs-from-scratch/blob/cdbd33e6d57a...midudev · Miguel Ángel Durán¡Crea tu propio modelo de IA! Este repositorio contiene el código para desarrollar, pre-entrenar y ajustar un LLM como GPT desde cero: github.com/rasbt/LLMs-f...10 赞 · 1 条回复@SanketShipsfoundations 01 micrograd: the tiny engine behind neural nets https://t.co/QObt0s4UwB 02 nn-zero-to-hero: karpathy's full course, zero to GPT https://t.co/0HJUmwgowe 03 nanoGPT: train your own small GPT https://t.co/5ax2mOJA42boredumbI were 17, I'd learn how to build LLMs from scratchI agree with mostly all of this, but personally I wrote a toy LLM almost 5 years ago and while it never saw much use outside of boring my wife with a shitty command line demo with glee it did help me understand how they worked and how to apply them, played a lot with JAX and pytorch, ended up…midudev · Miguel Ángel Durán¡Crea tu propio modelo de IA! Este repositorio contiene el código para desarrollar, pre-entrenar y ajustar un LLM como GPT desde cero: github.com/rasbt/LLMs-f...4 赞@antiAIvo用 Codex 整理了目前比较主流的 LLM 学习教程 偏动手写代码、理解模型原理和训练流程： 1. Zero to Hero｜@Karpathy OpenAI 创始团队成员、前特斯拉 AI 负责人 从神经网络基础讲起带你手写语言模型、GPT 和分词器 https://t.co/RPfFZKjJaV 2. LLMs from Scratch｜@rasbt 前威斯康星大学麦迪逊分校教授、机器学习畅销书作者 用 PyTorch 从零实现 GPT，覆盖注意力、预训练和微调 https://t.co/SZIV6Kx5vD 3. Happy-LLM｜Datawhale 国内 AI 开源学习社区出品…JoeDaDudeTrain Your Own LLM from ScratchCoincidentally, I just started on Build a Large Language Model (From Scratch), a repo/book/course by Sebastian Raschka [0][1][2]. Maybe it is a good problem to have to have to decide which learning resource to use. [0] https://github.com/rasbt/LLMs-from-scratch [1]…wikitdBuild a Large Language Model (From Scratch) Code for developing, pretraining, and finetuning a GPT-like LLM and is the official code repository for the book Build a Large Language Model (From Scratch). ▶️ github.com/rasbt/LLMs-f... #ai #tutorials #freetutorials2 赞
Mindket 的更多商品
查看 Mindket 的全部商品waqf-ocr-hand-written-v1
Waqf-AI · 工具包
读取图片中的阿拉伯语手写文字并以文本形式返回。这是微调过的 PaddleOCR-VL 模型，适合要把阿拉伯语手写内容数字化的人。
新上架
Wan2.2-TI2V-5B-Diffusers
Wan-AI · 工具包
根据文本提示或图像加文字生成视频片段，最高 720P、每秒 24 帧，Diffusers 格式，适合单块消费级 GPU。
新上架
相似项目
查看教育类的全部商品AI Engineering from Scratch
rohitg00 · 工具包
Rohit Ghumare 做的免费课程，采用 MIT 许可证，分二十个阶段，从数学一路教到智能体和生产部署。Claude Code、Codex 和 Cursor 的导师技能带你一节课一节课地学。安装说明涵盖网站、克隆仓库、导师技能、聚焦路线、项目和认证。
新上架77.8k
微软生成式 AI 入门课
microsoft · 工具包
微软 Cloud Advocates 团队做的免费课程，教你构建生成式 AI 应用，共 21 节课。Learn 课讲解概念，Build 课在可行时另附 Python 和 TypeScript 示例。安装说明涵盖 Codespaces、本地安装和课程用到的各个模型提供方。
新上架123k
Dify
langgenius · 工具包
LangGenius 的开源大模型应用开发平台：可视化工作流、RAG、模型管理，以及带沙箱的智能体。它的 difyctl 工具和技能让 Claude Code、Codex、Cursor 和其他智能体来构建和运行这些应用。
新上架161k