目录
第一阶段：Transformer深入理解与微调实现（第1-2周）
1. Week 1：深入Transformer架构与手写实现
2. Week 2：微调预训练模型与BERT应用
第二阶段：RAG技术入门与实现（第3-4周）
3. Week 3：RAG技术概念与基础实现
4. Week 4：RAG技术优化与应用
第三阶段：高级任务与RAG技术融合（第5-6周）
5. Week 5：信息抽取与RAG问答系统实现
6. Week 6：RAG在文本生成任务中的应用
第四阶段：综合项目与RAG技术部署（第7-8周）
7. Week 7：综合应用项目——基于RAG的知识问答系统
8. Week 8：项目优化与云端部署
第一阶段：Transformer深入理解与微调实现（第1-2周）
1. Week 1：深入Transformer架构与手写实现
-
任务目标：
- 学习并深入理解Self-attention、Multi-head Attention 和 Positional Encoding。
- 手动实现简化版的Transformer，理解各个模块的底层逻辑。
-
每日任务：
- Day 1-2：复习Transformer架构的相关论文并实现Attention机制。
- Day 3-4：实现Multi-head Attention和Positional Encoding。
- Day 5-6：结合各模块，完成Transformer的手写版，并测试在小型数据集上的表现。
- Day 7：总结并调优模型，观察不同超参数对性能的影响。
2. Week 2：微调预训练模型与BERT应用
-
任务目标：
- 使用BERT进行文本分类任务微调，并探索如何调整超参数提升效果。
- 复习微调技术中的关键点（如learning rate、warm-up steps等）。
-
每日任务：
- Day 1-2：使用Huggingface加载预训练BERT模型，处理文本分类任务（如IMDB情感分析）。
- Day 3-4：调节超参数（学习率、Batch Size、Dropout等），分析每次实验的效果。
- Day 5-6：实现学习率调度器（Learning Rate Scheduler）和Warm-up策略，提升模型的稳定性。
- Day 7：总结微调经验，记录参数对模型效果的影响。
第二阶段：RAG技术入门与实现（第3-4周）
3. Week 3：RAG技术概念与基础实现
-
任务目标：
- 学习RAG技术的基本原理，理解如何结合检索与生成模型。
- 搭建基础的RAG模型，实现简单的检索+生成任务。
-
每日任务：
- Day 1：阅读RAG相关论文，理解其工作原理（如《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》）。
- Day 2-3：学习并实现检索模型，如DPR（Dense Passage Retrieval），用于从大规模知识库中检索信息。
- Day 4-5：结合预训练的生成模型（如BART、T5），实现简单的RAG系统，用于回答问题或生成文本。
- Day 6-7：在小型数据集上进行实验，测试RAG的效果，观察不同检索策略对生成质量的影响。
4. Week 4：RAG技术优化与应用
-
任务目标：
- 优化RAG模型，学习如何提升检索效率与生成文本的质量。
- 应用RAG技术于具体的NLP任务，如知识问答、文本摘要等。
-
每日任务：
- Day 1-2：优化检索模块（如DPR）的性能，调整embedding模型与检索库的规模。
- Day 3-4：测试不同的生成策略（如Beam Search、Top-k sampling），观察生成效果。
- Day 5-6：在一个具体任务上使用RAG技术（如开放域问答系统），尝试提升生成质量。
- Day 7：总结RAG技术的使用经验，探索进一步优化的方向。
第三阶段：高级任务与RAG技术融合（第5-6周）
5. Week 5：信息抽取与RAG问答系统实现
-
任务目标：
- 实现一个基于RAG技术的问答系统，结合命名实体识别（NER）与关系抽取。
- 学习如何让RAG从大规模文本中提取实体信息并生成连贯回答。
-
每日任务：
- Day 1-2：使用RAG技术，从知识库中检索出相关信息，并结合NER任务，提取重要实体。
- Day 3-4：实现一个结合NER与RAG的问答系统，系统能够检索到实体并生成回答。
- Day 5-6：调优系统，优化生成部分，使其回答更加自然连贯。
- Day 7：总结问答系统的设计与实现，撰写技术文档，记录调优细节。
6. Week 6：RAG在文本生成任务中的应用
-
任务目标：
- 使用RAG技术在文本生成任务中，如自动摘要或文档生成，优化生成质量。
- 深入探索RAG技术在生成任务中的潜在优势。
-
每日任务：
- Day 1-2：实现一个基于RAG的自动摘要系统，能够从长文本中检索关键信息并生成摘要。
- Day 3-4：测试不同的生成策略，结合检索模块优化生成的连贯性与信息准确性。
- Day 5-6：应用RAG技术于其他生成任务，如文档生成或长文本问答系统。
- Day 7：总结RAG在文本生成中的表现，撰写项目报告或技术博客。
第四阶段：综合项目与RAG技术部署（第7-8周）
7. Week 7：综合应用项目——基于RAG的知识问答系统
-
任务目标：
- 开发一个基于RAG的知识问答系统，从大规模知识库中检索信息并生成高质量回答。
- 集成NER、关系抽取等模块，使系统能够在实际应用中使用。
-
每日任务：
- Day 1-2：设计问答系统的架构，明确RAG在其中的角色与任务流程。
- Day 3-4：开发项目的各个模块（如检索、生成、实体抽取等），确保各模块之间的协作顺畅。
- Day 5-6：集成与测试系统，优化生成质量，提升回答的准确性与自然性。
- Day 7：总结项目开发经验，撰写文档并准备项目展示。
8. Week 8：项目优化与云端部署
-
任务目标：
- 优化RAG问答系统的性能，并学习如何将其部署到云端（如Docker、AWS等），实现在线服务。
- 完成项目的最终优化与部署，展示实际效果。
-
每日任务：
- Day 1-2：针对系统性能瓶颈进行优化，考虑模型量化、并行化等手段。
- Day 3-4：学习如何将RAG模型部署到云端，确保在线推理速度和服务稳定性。
- Day 5-6：测试并评估系统在生产环境中的表现，确保其能够稳定服务。
- Day 7：总结项目部署过程，撰写报告或技术博客，展示成果。
