从基础到大模型，让每一步都有方向。
讲解与 CodeLab 相连，学到哪里，做到哪里。
用测验和编程作业，把理解变成自己的能力。
第一次接触深度学习，建议从 PyTorch 开始；语言与视觉可以并行选择，再进入大模型预训练与后训练。
讲解、实验与反馈相连，让每一次学习都有可见的进展。
无需配置本地环境，在课程旁边直接编写、运行和保存代码。
测验、编程作业和自动评分串成闭环，随时知道自己卡在哪里。
从第一段讲解到最后一次运行，每一步都有明确目标、练习和反馈。
把一个只会续写的 Base Model，经过可审计的指令数据、SFT、LoRA/QLoRA、偏好优化和安全评测，交付为行为可解释、结果可复现的 MiniChat Assistant。先修：Python、PyTorch、token、交叉熵和 Decoder-only Transformer；CPU 可完成全部核心判题，真实模型训练为 GPU 选修。
从有来源记录的文本出发，完成清洗去重、Tokenizer、token shards、现代 Decoder-only Transformer、稳定训练、完整 checkpoint 与 MiniGPT 交付。预备知识：熟练 Python、PyTorch 基础、self-attention 与命令行；正式训练建议使用 GPU，CPU 可完成全部核心机制与自动判题。
用 PyTorch 从 Tensor、Autograd 和 nn.Module 出发，亲手完成训练循环与 Fashion-MNIST 分类器，建立可迁移到 NLP 和视觉生成课程的深度学习工程基础。预备知识：Python 基础；不要求微积分、深度学习经验或 GPU。
从词表示出发，亲手实现 NLP 核心算法 本课程按“概念学习 → 小测检验 → CodeLab 编程 → 自动反馈”的节奏推进。建议每周完成一个阶段，并在进入下一章前完成当前核心任务。 ① 阅读章节目标② 学习概念与示例③ 完成测验④ CodeLab 实践⑤ 查看自动评分