datawhalechina/diy-llm

Diy-LLM

我们希望这门 CS336 中文课程，不只是斯坦福原版的"汉化版"，而是一座为中文学习者量身打造的"LLM炼丹工坊"。在这里，你亲手锻造理解、打磨代码、调控火候，最终炼出属于自己的大模型真丹。

📋 前置要求

• Python 编程：熟练掌握 Python 和软件工程能力
• 深度学习基础：熟悉 PyTorch，了解神经网络基本原理
• 数学基础：线性代数、概率统计、微积分
• 机器学习：需对机器学习与深度学习的基础知识有扎实掌握
• GPU 编程（可选）：了解 CUDA 基础概念会更佳，不懂也没关系，本项目也有入门教程

📚 课程愿景

• 硬核理论与动手实战并重：我们会完整保留原版课程的技术深度，但会用更符合中文学习者思维的方式重构知识体系。对于必要的数学、深度学习前置知识，我们会帮你补齐，确保学习曲线平滑，让每个认真投入的人都能跟上。
• 搭建一套循序渐进的知识体系：将构建LLM这个庞大工程，拆解成一个个可以上手、可以理解的模块。学完后，你将拥有一个关于LLM的完整知识图谱。
• 代码驱动，知行合一：课程的核心是"用代码思考"。所有作业，我们不仅会提供实现代码，更会分享写下每一行代码时的思考过程。
• 贴近国内环境的本土化改造：考虑到国内的网络环境、大家手头的计算资源以及独特的开源生态，我们会提供更接地气的解决方案和案例（比如，多聊聊Qwen、DeepSeek等国产优秀模型）。

🎯 项目意义

学完这门课，你能得到什么？

• 扎实的技术地基：你将能亲手"造"出自己的LLM，对每个核心组件都了然于胸。
• 宝贵的工程经验：掌握从数据处理、模型训练到部署优化，堪比大厂的全流程实战技能。
• 突出的行业竞争力：具备大模型研发的核心能力，为你进入心仪的大厂或团队铺平道路。
• 清晰的科研视野：对LLM领域有体系化的认知，为未来深入研究打下坚实的基础。

📖 课程目录

| 章节 | 关键内容 | 配套作业 | 状态 | |------|----------|----------|------| | 前言 | 项目背景、学习路线、前置知识 | - | ✅ | | 第1章 工具使用 | W&B 实验追踪、超参数搜索、可视化面板 | - | 📝 | | 第2章 分词器 | BPE 算法原理、Unicode 规范化、手写 tokenizer 训练代码 | 作业1 | ✅ | | 第3章 PyTorch 与资源核算 | 混合精度训练、梯度累积、FLOPs/显存估算 | - | ✅ | | 第4章 语言模型架构与训练细节 | RoPE、RMSNorm、SwiGLU、AdamW、Pre-Norm vs Post-Norm、学习率调度 | 作业1 | ✅ | | 第5章 混合专家模型 | Top-K 路由、负载均衡、辅助损失、Expert Parallelism、DeepSeekMoE | - | ✅ | | 第6章 GPU 与相关优化 | 显存带宽与计算强度、Flash Attention、Kernel Fusion、混合精度、BF16/TF32 | 作业2 | ✅ | | 第7章 GPU 高性能编程 | CUDA 编程模型、Tensor Cores、Shared Memory、Triton 入门 | 作业2 | ✅ | | 第8章 分布式训练 | 数据并行/模型并行/流水线并行、ZeRO-1/2/3、FSDP、梯度累积、All-Reduce | 作业2 | ✅ | | 第9章 Scaling Laws | Chinchilla 定律、计算最优配置、Scaling 实验设计、Extrapolation | 作业3 | ✅ | | 第10章 推理 | KV Cache、投机解码、量化 (GPTQ/AWQ)、PagedAttention、Continuous Batching | 作业6 | ✅ | | 第11章 数据工程 | 数据质量过滤、MinHash 去重、PII 脱敏、数据配比、Data Curriculum | 作业4 | ✅ | | 第12章 评估与基准测试 | MMLU、HumanEval、HELM、CEval、AlpacaEval、Arena 排名 | 作业6 | ✅ | | 第13章 大模型的基本训练流程 | Pre-training、SFT、DPO、RLHF PPO 流程、Alignment Tax | 作业5 | ✅ | | 第14章 可验证奖励的强化学习 | GRPO、Rule-based Verifier、Outcome/Process Reward、RLVR 与 R1 训练方案 | 作业5 | ✅ | | 第15章 多模态模型 | 从 CLIP 到 Omni Model：CLIP/SigLIP、LLaVA、Qwen-VL、Chameleon | - | ✅ | | 第16章 扩展内容 | 1. 什么是LLM推理？（黎又榛）
2. LLM 的未来 - Lecun（黎又榛、jiangyinhe、李盛康、徐虎）| - | 🔄 |

状态图例说明：✅ 已完成 🔄 更新中 📝 待完善 🚧 筹备中 ⏸️ 暂缓

📝 作业概览

| 作业 | 核心任务 |状态 | |------|----------|------| | 作业1：手搓大模型 | 实现 tokenizer、model architecture、optimizer，训练一个极简语言模型 | ✅ | | 作业2：系统优化 | 性能分析与基准测试；用 Triton 实现 FlashAttention-2；构建分布式训练代码 | ✅ | | 作业3：扩展定律 | 理解 Transformer 各组件功能；拟合 scaling law 预测模型扩展效果 | ✅ | | 作业4：数据处理 | 将 Common Crawl 原始数据转换为预训练数据集，执行过滤与去重 | ✅ | | 作业5：模型对齐 | 应用 SFT 与强化学习（如 GRPO）训练模型解决数学问题 | ✅ | | 作业6：模型评估 | 使用 lm-evaluation-harness 和 evalscope 进行多维度评测（语言理解、常识推理、代码、数学推理） | ✅ |

🚀 快速开始

# 克隆仓库
git clone https://github.com/datawhalechina/diy-llm.git
cd diy-llm
安装基础依赖（根据具体作业需求安装）

学习路径

1️⃣ 理论学习 → 按章节顺序阅读 docs/zh/ 目录下的中文文档（English version in docs/en/） 2️⃣ 实践练习 → 完成 coursework/ 目录下的 6 个作业 3️⃣ 深入理解 → 阅读代码实现，理解每个组件的设计

项目结构

diy-llm/
├── docs/                    # 在线文档
│   ├── zh/                 # 中文文档（默认）
│   │   ├── 前言.md
│   │   ├── chapter1/       # 工具使用
│   │   ├── chapter2/       # 分词器
│   │   ├── chapter3/       # PyTorch 与资源核算
│   │   ├── chapter4/       # 语言模型架构与训练细节
│   │   ├── chapter5/       # 混合专家模型
│   │   ├── chapter6/       # GPU 与相关优化
│   │   ├── chapter7/       # GPU 高性能编程
│   │   ├── chapter8/       # 分布式训练
│   │   ├── chapter9/       # Scaling Laws
│   │   ├── chapter10/      # 推理
│   │   ├── chapter11/      # 数据工程
│   │   ├── chapter12/      # 评估与基准测试
│   │   ├── chapter13/      # 大模型的基本训练流程
│   │   ├── chapter14/      # 可验证奖励的强化学习
│   │   ├── chapter15/      # 多模态模型
│   │   └── chapter16/      # 前沿扩展内容
│   ├── en/                 # English documentation
│   │   └── ...
│   └── .vitepress/         # VitePress 配置
├── coursework/              # 实践作业
│   ├── assignment1-basics/        # 作业1：手搓大模型
│   ├── assignment2-systems/       # 作业2：系统优化
│   ├── assignment3-scaling/       # 作业3：扩展定律
│   ├── assignment4-data/          # 作业4：预训练数据处理
│   ├── assignment5-alignment/     # 作业5：对齐
│   └── assignment6-evaluation/    # 作业6：评估
├── README.md               # 中文项目说明
├── README_EN.md            # English project overview
└── .gitignore              # Git忽略配置

PDF 版本下载

本教程提供 PDF 版本，方便离线阅读和打印学习。为防止各类营销号加水印后贩卖给 LLM 的读者，我们特地在 PDF 文件中添加了不影响阅读的 Datawhale 开源标志水印，敬请谅解～

📥 Diy-LLM 课程讲义 PDF: https://github.com/datawhalechina/diy-llm/releases/latest/

🔗 相关链接

• 仓库地址：https://github.com/datawhalechina/diy-llm
• 在线阅读地址：https://datawhalechina.github.io/diy-llm/
• 原版课程主页：Stanford CS336 (Spring 2026)
• 原版课程项目：https://github.com/stanford-cs336/lectures/tree/main

❓ 常见问题

💬 读者交流群

欢迎加入 Diy-LLM 读者交流群，与大家一起交流学习、答疑解惑：

读者交流群1

读者交流群2

群1满员后可加入群2。如果两个群二维码都过期或已满，可以添加以下任一负责人的微信（备注「diy-llm」），由我们拉你入群：

| 负责人 | 微信号 | |--------|--------| | 徐虎 | xuhu96736 | | 黎又榛 | zydsx111 | | 李盛康 | muzichengminguangli |

👥 贡献者

贡献者名单

徐虎 项目负责人 Datawhale 成员 上海交通大学 负责内容：第1、3、9、12、14、15章；作业5、6；全文内容审核

李盛康 项目负责人 Datawhale 成员 西安邮电大学 负责内容：第4、6、7、8、13章；作业2、4

黎又榛 项目负责人 Datawhale 成员 负责内容：第2、5、10、11、13章；作业1、3；

社区贡献

• 感谢 @aimetrics 在作业1 的 train.py 中，增加了在 Macbook 设备上的 MPS 支持
• 感谢@FuTseYi(Datawhale成员)对网站迁移、部署和重构的支持
• 感谢@jiangyinhe参与第 16 章扩展内容《LLM 的未来 - Lecun》的整理；基于中文版内容实现了第一章、前言的英文版翻译；
• 感谢@Excelius-Wang 补充 C-EVAL 中文 benchmark 的介绍，并接入到 assignment6 中

我们欢迎所有形式的贡献！无论是文档改进、代码优化、bug修复还是新内容添加，都是对项目的宝贵支持。

如何贡献

1. 报告问题：如果发现文档错误、代码bug或改进建议，欢迎提交 Issue 2. 提交代码：Fork 本仓库，创建你的特性分支，提交更改后发起 Pull Request 3. 完善文档：帮助改进文档、翻译内容或添加示例 4. 分享经验：在讨论区分享学习心得和实践经验

贡献指南

• 提交代码前请确保代码风格一致
• 添加新内容时请遵循现有的文档格式
• 提交PR时请提供清晰的描述和变更说明
• 欢迎在Issue中讨论大的改动方案

📝 更新日志

项目持续更新中，最新进展请查看 GitHub Releases 或提交记录。

📄 许可证

本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。

🙏 致谢

• 感谢 Stanford CS336 课程团队提供优秀的原版课程
• 特别感谢@Sm1les对本项目的帮助与支持
• 感谢所有为项目做出贡献的开发者
• 感谢开源社区的支持与反馈

⭐ Star History

如果这个项目对你有帮助，欢迎给个 Star ⭐️！

---