01 / 建立模型直觉 · 基础主线

Zero to Hero

Andrej Karpathy·英文·视频 + 代码

从一个标量的梯度开始,逐步写出神经网络、语言模型、GPT 和分词器。适合用代码建立直觉。

反向传播microgradmakemoreGPTBPE

前置知识

能读写 Python,了解函数与列表;遇到导数和张量运算时,可以边学边补。

设备与环境

基础实验可从 CPU 或 Notebook 开始;GPT 实验按设备缩小模型和训练规模。

获取与费用

公开视频与配套代码;观看平台的网络可用性需自行确认。

READ WITH A QUESTION

推荐阅读顺序

本站建议 · 可按已有能力跳读
  1. 01

    先写 micrograd

    从计算图理解梯度如何回传,再搭建最小神经网络。

  2. 02

    从 makemore 走向 GPT

    先熟悉下一个 token 的预测,再学习注意力与自回归生成。

  3. 03

    补上 Tokenizer

    理解字符串与 token 的转换,以及 BPE 为什么影响模型行为。

LEARN BY BUILDING

给学习一个完成标准

— / 3 已完成

完成下面的实验并检查结果后,再勾选任务。你可以随时取消勾选。

01

验证一次反向传播

写出一个含乘法和加法的计算图,对比自动梯度与有限差分的结果。

完成标准保留输入、两组梯度与误差;能解释每个节点的链式法则。
02

训练一个小语言模型

跟随 makemore,划分训练集与验证集,记录损失并生成样本。

完成标准能解释 next-token 目标;提交损失记录、数据划分和至少三段生成样本。
03

做一次分词往返

用包含中文、英文和 emoji 的小文本测试 encode / decode,观察 token 切分。

完成标准解码后还原原文;能说明字符数与 token 数为什么不同。

勾选记录仅保存在当前浏览器,不会同步到账号或其他设备。

来源与版本

来源与版本说明

按仓库课程目录整理。本站将练习划成三个检查点,不代表课程官方考核。

官方课程仓库
官方资料核对于 2026-10-13 · 实践任务与完成标准为本站原创整理