zyf-ngu/Qmatter
zyf-ngu/Qmatter has 355 GitHub stars and 38 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-19 02:18 UTC. Last push 2026-10-05.
Measured star growth
- in 24h
- 0
- in 7 days
- Collecting history
- in 15 days
- Collecting history
- in 1 month
- Collecting history
Net star changes over overlapping periods, not daily totals. Missing measurements are left blank. Stars measure attention, not software quality.
About
跟着问题学-AI大模型入门系列笔记和代码
Developer ToolsREADME.md
OriginalQmatter - 跟着问题学——AI大模型入门系列(笔记&代码)
视频链接
B站:不如语冰
https://space.bilibili.com/70431433?spm_id_from=333.1007.0.0。
小红书:不如语冰(AI大模型版)26183735367
https://www.xiaohongshu.com/user/profile/6846bd9c000000001e03dbc5?m_source=mingfenghuohu
系列定位
本系列以"跟着问题学"为核心,通过「笔记 PDF + 可运行 Python 代码」的形式,为 AI 大模型初学者提供清晰的学习路径。内容从 Python 基础语言起步,经过 PyTorch、经典 CV/NLP 模型、Transformer 原理,最终落地到 RAG 与 Agent 等实战项目。学完即可具备大模型入门所需的理论认知与工程实践能力。
项目目录结构
仓库按学习模块组织,每个模块通常包含 docs/(笔记 PDF)、models/(模型定义)、train/(训练/运行脚本)三类内容,方便对照学习。
Qmatter/
├── python基础/ # Python 核心语法入门
│ ├── Python基础v2.0.pdf
│ ├── learn_class.py # 类与面向对象
│ ├── learn_data_structure.py # 列表/字典/元组等数据结构
│ ├── learn_function.py # 函数定义与调用
│ └── 数据结构/
│
├── python进阶/ # 适配大型项目的 Python 工程能力
│ ├── Python进阶v3.1.pdf
│ ├── config.py
│ ├── learn_argparse.py # 命令行参数
│ ├── learn_common_function.py
│ ├── learn_contextmanager.py # with 语句 / 上下文管理器
│ ├── learn_fancy_function.py # 装饰器等高级函数
│ ├── learn_file_path.py # 文件与路径管理
│ ├── learn_iterable.py # 迭代器 / 生成器
│ ├── learn_log.py # 日志模块
│ ├── learn_tips.py
│ └── learn_try.py # 异常处理
│
├── 多进程多线程异步编程/ # 并发编程核心
│ ├── 异步编程和多进程多线程V3.0docx.pdf
│ ├── learn_asyncio.py # asyncio 异步编程
│ ├── learn_multi_process.py # 多进程
│ └── learn_multi_thread.py # 多线程
│
├── pytorch基础/ # PyTorch 框架入门
│ ├── pytorch核心笔记-张量v2.pdf
│ ├── learn_tensor.py # 张量创建与运算
│ └── learn_tensor2.py # 张量变换/常用 API
│
├── CV/ # 计算机视觉经典模型
│ ├── docs/ # "跟着问题学"系列笔记(LeNet/ResNet/VGG 等)
│ ├── models/ # 模型实现(LeNet, AlexNet, VGG, GoogLenet, ResNet)
│ └── train/ # 训练脚本(以 ResNet 为代表,含完整训练循环)
│
├── NLP经典模型/ # 自然语言处理经典模型
│ ├── docs/ # "跟着问题学"系列笔记(词向量/Seq2Seq/Attention 等)
│ ├── models/ # 模型实现(Word2Vec, RNN, LSTM, Seq2Seq, Seq2Seq-Attention)
│ └── train/ # 训练脚本(Word2Vec, RNN, LSTM, GRU, Seq2Seq)
│
├── transformer大模型/ # Transformer 原理与大模型
│ ├── 跟着问题学18——transformer详解及代码实战.pdf
│ ├── 大模型微调和训练v2.0.pdf
│ ├── 大模型部署应用实例v2.pdf
│ └── transformers.py # Transformer 核心代码
│
├── RAG实践/ # RAG(检索增强生成)实战
│ ├── 1.RAG概述v2.0.pdf ~ 6.RAG-向量化与向量知识库v4.0.pdf
│ ├── fastapi v2.0.pdf
│ ├── streamlit v2.0.pdf
│ ├── simple_rag/ # 最简 RAG 实现(含 parser / spliter / retriver / knowledge_base)
│ │ ├── main.py # SimpleRAG 入口,可直接运行演示
│ │ ├── sample_docs/ # 示例文档(PDF/Word/Excel/Markdown/TXT)
│ │ ├── parser/ # PDF / DOCX / Excel / TXT 解析器
│ │ ├── spliter/ # 文本分块(递归/字符/语义分块)
│ │ ├── retriver/ # BM25 / 向量 / 混合检索 + Reranker
│ │ ├── knowledge_base/ # FAISS 向量索引(EmbeddingModel + VectorStore)
│ │ └── README.md
│ └── Qrag/ # 增强版 RAG(在 simple_rag 基础上扩展)
│ ├── main.py # RAGPipeline 入口,内置混合检索 + 重排
│ ├── parser/ # 支持 PDF(pypdf/pdfplumber/PyMuPDF)/ DOCX / Excel
│ ├── spliter/ # 文本分块
│ ├── retriver/ # BM25Retriever / VectorRetriever / HybridRetriever / Reranker
│ └── knowledge_base/ # FAISS 向量索引
│
└── Agent实践/ # Agent 实践
├── 1 agent概述v2.0.pdf
└── 2 agent基本组件简介v2.0.pdf
学习框架
当前分为 八大模块(后续持续更新),按从基础到实战的顺序组织:
1. Python 基础
python基础/ —— AI 大模型开发的核心语言。从"0.5 基础"起步,侧重实战应用:
- 数据结构、函数定义与调用、类与面向对象编程
- 配套代码:learn_data_structure.py、learn_function.py、learn_class.py
2. Python 进阶
python进阶/ —— 适配大型工程的 Python 能力:
- 日志系统、参数传递、文件路径管理、上下文管理器、装饰器、迭代器、异常处理等
- 配套代码:learn_log.py、learn_argparse.py、learn_contextmanager.py 等
3. 多进程 / 多线程 / 异步编程
多进程多线程异步编程/ —— 并发编程与高性能数据处理基础:
4. PyTorch 框架学习
pytorch基础/ —— AI 模型开发核心框架,聚焦"张量"这一核心概念:
- 张量的创建、运算与变换;模型输入输出的张量维度变化逻辑
- 常用 API 实战(如
torch.nn模块) - 配套代码:learn_tensor.py、learn_tensor2.py
5. 计算机视觉(CV)经典模型
CV/ —— 建立 CV 基础认知,从 LeNet 到 ResNet:
- 经典模型:LeNet、AlexNet、VGG、GoogLeNet、ResNet(含 v1 / v2 / v3 变体)
- 配套知识:数据处理、损失函数、优化算法、反向传播原理
- 模型定义:models/ResNet.py 等
- 训练脚本:train/ResNet.py(含完整训练循环、学习率调度、最佳模型保存)
6. NLP 经典模型
NLP经典模型/ —— Transformer 出现前的核心 NLP 模型:
- 词向量、Word2Vec、RNN、LSTM、GRU、Seq2Seq、Seq2Seq + Attention
- 模型定义:models/LSTM.py、models/seq2seq.py、models/word2vec.py 等
- 训练脚本:train/GRU.py、train/seq2seq.py 等
7. Transformer 大模型
transformer大模型/ —— 大模型时代的核心架构:
- Transformer 原理与代码实现(transformers.py)
- 大模型部署与微调(在线 API 调用 + 本地部署,调参技巧)
8. RAG 与 Agent 实战
RAG实践/ / Agent实践/ —— 将所学综合落地到真实项目:
- simple_rag:最简可运行 RAG 系统,包含文档解析、文本分块、向量索引、混合检索(BM25 + 向量)、Reranker 重排;直接运行 simple_rag/main.py 即可体验
- Qrag:增强版 RAG,在 simple_rag 基础上扩展解析能力(PDF 支持 pypdf / pdfplumber / PyMuPDF 三种方案);见 Qrag/main.py 与 Qrag/parser/pdf_parser.py
- Agent:Agent 概述与核心组件简介,为后续 LLM Agent 开发打基础
学习思路
遵循以下 5 点原则,提升学习效率:
跟着问题学
聚焦学习中的真实问题(如"Transformer 为什么要用自注意力?""文档为什么要做分块?"),从问题拆解知识点,避免"知识诅咒"。欢迎在 Issues / 评论区提问题,共同完善内容。多动手敲代码
仓库提供配套代码,建议逐行手动编写(勿复制粘贴),在实操中暴露并解决问题,才能真正掌握。温故而知新的重复
对核心知识点(如 Transformer、张量运算、RAG 的检索流程)反复回顾,用"苏轼八面受敌读书法"逐步加深理解。定期做知识总结
将零散知识点梳理成系统结构(如思维导图、笔记 PDF),便于记忆、应用与扩展。多输出检验成果
输出是最好的学习:向他人讲解知识点、写补充笔记、提交代码 PR,梳理知识的同时深化理解。
关于本系列的想法
相信 AI 的价值
AI 将成为人类的强大助手:提升信息处理效率、替代重复事务,让人类聚焦创造性工作。助力后来者,共同学习
本系列不仅是分享,更是互助——你的问题与反馈,会帮助完善内容,形成良性循环。交流 AI 未来发展
创造力源于思维碰撞,欢迎在评论区 / 仓库交流大模型应用场景与未来方向。
结语
本系列致力于创造"有价值、有意义"的学习内容,如有建议(补充知识点、优化代码等),欢迎通过以下方式反馈:
- 视频评论区留言
- GitHub 仓库提交 Issues 或 PR
一起开启 AI 大模型学习之旅!