“ 训练数据集的质量是大模型的主要生命线之一，数据集质量直接影响到模型的性能和效果 ”

训练一个高性能且表现较好的模型是由多种因素决定的，比如模型的设计，损失函数与优化函数的实现，训练方式的选择；当然也包括高质量的训练数据。

那么，怎么才能得到一个高质量的训练数据集呢？ 这个就是我们今天需要讨论的问题。‍‍‍‍‍‍‍‍

训练数据集的准备

机器学习和深度学习模型的性能高度依赖于训练数据的质量和数量；训练数据的准备工作对于构建一个高效可靠的模型至关重要。

然而在实际应用中，很多人都会选择别人准备好的训练数据，或者是忽视训练数据的准备；毕竟作为AI领域的领头羊——openAI公司依然在为训练数据而头疼。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

那么，怎么才能准备一个高质量的数据集呢，一般需要经过以下几个步骤：‍

明确任务

数据采集‍

数据清洗

数据预处理

数据标注‍‍

数据拆分

明确任务

准备数据集的第一步就是要明确需求，你需要训练一个什么样的任务，然后你才能确定数据集需要哪些种类的数据。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

比如说，你是做NLP自然语言处理任务，还是做CV计算机视觉类型的图像处理任务等；以及不同种类的不同任务风格。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

数据采集

数据采集也包括多个方面：

数据来源

数据来源包括公开数据集，如一些网站提供的数据集；其次是自建数据集，可以通过爬虫，搜索引擎等获取；最后，就是一些领域数据，如医疗，金融，保险等一些非公开数据；可以通过与这些领域的专家或机构合作。当然获取数据的前提都需要合规合法。‍‍‍‍‍‍‍‍‍‍‍‍‍

数据多样性‍

数据多样性的主要目的是保证模型的公平性，防止过拟合或欠拟合现象出现；比如，你想训练一个识别不同种类的狗的模型，如果只使用哈士奇或者金毛，那类似边牧，泰迪等品种就无法识别，导致过拟合现象。

数据质量‍‍‍‍

数据质量问题是能直接影响到模型训练结果的原因之一，数据集质量越高，训练效果越好；而决定数据集质量的原因也有很多，如数据混乱不一致，数据噪音问题。虽然可以通过数据清洗等手段提升数据质量，但前期准备的数据质量越高，处理起来越方便，效率越高。‍‍‍‍‍‍‍‍

数据清洗

数据清洗可以说是数据准备中比较复杂的一个步骤，因为一般情况下数据来源复杂，数据结构也复杂，而数据清洗需要去除数据中的各种影响因素；包括但不仅限于缺失值处理，异常值检测，噪声过滤等多种情况。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

数据清洗的最终目的是去除干扰数据，并把数据整理成统一格式，便于下一步处理。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

数据预处理

说到数据预处理可能有些人会有点懵，前面明明已经有数据清洗了为什么还需要预处理？‍‍‍‍‍‍‍‍‍‍

之所以需要预处理的原因就在于，数据清洗是去除干扰数据，整理成统一格式；而预处理的作用就是把数据处理成模型能够处理的格式，包括特征工程，样本平衡，维度缩减等等多种形式。‍‍‍‍‍‍

举个生活中的例子，数据集准备就类似于做饭前的准备；数据清洗就是要摘菜，洗菜等等；数据预处理就是要把菜切成需要的形状，焯水，加上各种需要的配料等等；最后就等着下锅。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

数据标注

数据标注应该说是一个可选的步骤，在监督训练中数据标注必不可少；但在无监督学习中，数据标注就是一个可有可无的步骤；在无监督学习中，你标注了也好，不标注也无所谓。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

但数据标注并不是大家所想象的全靠人工标注，目前数据标注的主要方式有自动标注和人工标注；所谓的自动标注就是训练一个标注模型，让它帮我们完成数据标注。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

数据拆分

数据拆分就是我们常见的训练数据集，验证数据集和测试数据集；收集到的数据并不是完全都用来进行模型训练，还需要对训练的模型进行验证和测试，这个就是验证集和测试集的作用。‍‍‍‍‍‍‍‍‍‍‍

当然，以上只是简单介绍了数据准备的一些主要步骤；其实在具体的数据准备过程中还面临着更多的问题，比如数据增强，版本控制，可视化，隐私保护等等。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

总之，目前的预训练模型严重依赖于训练数据的质量问题；因此，模型训练之前的数据准备是一个需要花费大量时间和精力去做的事情，而不是敷衍了事。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】