Skip to content
Projects

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.

How these counts are measured

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 Tools

README.md

Original

Qmatter - 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:

2. Python 进阶

python进阶/ —— 适配大型工程的 Python 能力:

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:

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:

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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

  1. 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。

  2. 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。

  3. 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!