这门课解决什么问题
很多做后端、数据分析或想转行算法的上班族，在看自然语言处理时容易卡在原理论文和实际工程落地之间。读懂了 BERT 和 GPT 的原理，却不知道怎么把预训练模型接到自己的业务流里。这门课要解决的就是这个断层：它不带你从头推导数学公式，而是以 Huggingface 生态为核心，演示怎么把现成的经典架构真正跑起来。如果你的工作场景涉及文本分类、实体抽取、语义相似度计算，或者需要用内部数据微调一个开源大模型来做特定任务，这套实操流程能直接帮你把原型搭出来。对于需要在公司内部交付文本处理工具链的人来说，这套流程比单纯看理论实在得多。
适合什么基础与建议学习顺序
资料适合已经能熟练写 Python、了解 PyTorch 基本张量操作，但没怎么用过 Huggingface 工具包的人。如果你连基本的函数定义和面向对象写法都吃力，建议先补基础再看。对于符合基础门槛的读者，建议先把第一部分关于生态介绍的内容快速过一遍，建立整体认知。接着重点看工具包基本操作和常规流程分析这两块，尤其是文本切分和 AttentionMask 的配套使用。这两节是初学者最容易踩坑的地方，搞懂 tokenizer 怎么把原始文本变成模型能吃的输入，后面的数据封装和训练循环才会顺。不要跳过 Dataloader 封装那部分，很多自学者能跑通单条测试，却在批量数据加载时内存溢出。
资料怎么配合练习与学完能做什么
看视频时一定要同步开环境跟敲，不要只用眼睛过一遍。建议准备一份自己的小规模中文文本数据，比如几百条客服工单或产品评论，跟着课程流程走一遍：从加载预训练模型、定义切分器、构造数据集到跑通训练循环。资料里没有现成的业务数据，你得拿自己的来练，才能真正理解参数怎么调。学完之后，你应该能独立完成这几件事：用 Huggingface 加载指定预训练模型并做推理、把自定义文本数据集整理成框架要求的格式、对模型做轻量微调并在本地验证效果。这些能力足够支撑你在团队内部搭建一个文本处理的原型服务，或者在现有业务中接入语言模型能力。
NLP领域最新经典模型，BERT，GPT等经典架构及其应用实战
课程目录
* 01 Huggingface与NLP介绍解读/
* 01 第一章：Huggingface与NLP介绍解读.mp4 (181.91 MB), 58:36
* 02 Transformer工具包基本操作实例解读/
* 01 1-工具包与任务整体介绍.mp4 (36.76 MB), 09:52
* 02 2-NLP任务常规流程分析.mp4 (32.43 MB), 10:17
* 03 3-文本切分方法实例解读.mp4 (47.38 MB), 12:55
* 04 3-AttentionMask配套使用方法.mp4 (33.41 MB), 09:27
* 05 4-数据集与模型.mp4 (43.55 MB), 11:06
* 06 5-数据Dataloader封装.mp4 (47.83 MB), 10:22
* 07 6-模型训练所需配置参数.mp4 (41.54 MB), 08:24
* 08 7-模型训练DEMO.mp4 (54.70 MB), 10:34
* 03 Transformer核心架构/
* 01 1-回顾RNN基本结构分析.mp4 (25.84 MB), 10:25
* 02 2-历史故事解读.mp4 (41.58 MB), 14:25
* 03 3-Attention计算方法通俗解释.mp4 (30.48 MB), 09:27
* 04 4-辅助向量的作用.mp4 (23.31 MB), 07:12
* 05 5-注意力计算流程与公式分析.mp4 (35.92 MB), 11:46
* 06 6-多头注意力机制的作用.mp4 (24.12 MB), 07:24
* 07 7-多头额外例子.mp4 (25.21 MB), 07:03
* 08 8-位置编码与堆叠多层的作用.mp4 (37.23 MB), 12:17
* 09 9-预训练模型训练方法.mp4 (25.30 MB), 07:46
* 10 10-计算流程与方法.mp4 (33.35 MB), 10:52
* 11 11-训练方法解读总结.mp4 (26.23 MB), 08:53
* 04 BERT系列算法解读/
* 01 1-BERT模型训练方法解读.mp4 (28.12 MB), 10:57
* 02 2-ALBERT基本定义.mp4 (35.36 MB), 09:08
* 03 3-ALBERT中的简化方法解读.mp4 (50.07 MB), 13:38
* 04 RoBerta模型训练方法解读.mp4 (31.37 MB), 09:18
* 05 5-DistilBert模型解读.mp4 (18.15 MB), 05:09
* 05 文本标注工具与NER实例/
* 01 1-文本标注工具Doccano配置方法.mp4 (37.58 MB), 10:04
* 02 2-命名实体识别任务标注方法实例.mp4 (40.27 MB), 11:40
* 03 3-标注导出与BIO处理.mp4 (42.72 MB), 10:57
* 04 4-标签处理并完成对齐操作.mp4 (42.01 MB), 11:02
* 05 5-预训练模型加载与参数配置.mp4 (44.62 MB), 10:09
* 06 6-模型训练与输出结果预测.mp4 (46.76 MB), 10:55
* 06 文本预训练模型构建实例/
* 01 1-预训练模型效果分析.mp4 (35.55 MB), 10:13
* 02 2-文本数据截断处理.mp4 (46.37 MB), 11:53
* 03 3-预训练模型自定义训练.mp4 (85.38 MB), 16:24
* 07 第七章：GPT系列算法/
* 01 1-GPT系列算法概述.mp4 (25.39 MB), 10:02
* 02 2-GPT三代版本分析.mp4 (33.50 MB), 12:36
* 03 3-GPT初代版本要解决的问题.mp4 (34.70 MB), 12:07
* 04 4-GPT第二代版本训练策略.mp4 (27.72 MB), 10:17
* 05 5-采样策略与多样性.mp4 (29.69 MB), 10:31
* 06 6-GPT3的提示与生成方法.mp4 (86.75 MB), 24:20
* 07 7-应用场景CODEX分析.mp4 (41.84 MB), 14:53
* 08 8-DEMO应用演示.mp4 (92.31 MB), 17:58
* 08 第八章：GPT训练与预测部署流程/
* 01 1-生成模型可以完成的任务概述.mp4 (30.29 MB), 07:46
* 02 2-数据样本生成方法.mp4 (66.87 MB), 14:10
* 03 3-训练所需参数解读.mp4 (57.62 MB), 13:40
* 04 4-模型训练过程.mp4 (56.73 MB), 12:39
* 05 5-部署与网页预测展示.mp4 (84.88 MB), 19:11
* 09 第九章：文本摘要建模/
* 01 1-中文商城评价数据处理方法.mp4 (66.92 MB), 14:24
* 02 2-模型训练与测试结果.mp4 (77.22 MB), 14:22
* 03 3-文本摘要数据标注方法.mp4 (49.03 MB), 14:12
* 04 4-训练自己标注的数据并测试.mp4 (29.96 MB), 07:27
* 10 第十章：图谱知识抽取实战/
* 01 1-应用场景概述分析.mp4 (93.62 MB), 17:27
* 02 2-数据标注格式样例分析.mp4 (58.57 MB), 14:41
* 03 3-数据处理与读取模块.mp4 (43.86 MB), 11:25
* 04 4-实体抽取模块分析.mp4 (48.89 MB), 11:11
* 05 5-标签与数据结构定义方法.mp4 (55.79 MB), 14:02
* 06 6-模型构建与计算流程.mp4 (46.98 MB), 10:38
* 07 7-网络模型前向计算方法.mp4 (35.99 MB), 08:19
* 08 8-关系抽取模型训练.mp4 (47.88 MB), 10:52
* 11 第十一章：补充Huggingface数据集制作方法实例/
* 01 1-数据结构分析.mp4 (51.65 MB), 10:02
* 02 2-Huggingface中的预处理实例.mp4 (64.33 MB), 11:51
* 03 3-数据处理基本流程.mp4 (68.22 MB), 13:04
