国内主流AI大模型都是Python 开发的，国外AI大模型是什么语言开发的？为什么要用python？_国内大模型底层代码来源

很简单，因为做AI不需要造轮子！

我来举几个耳熟能详的例子，都很适合作为例子学习AI大模型。

第一个是Meta的开源大模型Llama2，这是它的链接。

GitHub - facebookresearch/llama: Inference code for LLaMA models​github.com/facebookresearch/llama​编辑

映入眼帘的问卷后缀主要有两类，md-Markdown文件，一般是说明文件；py-Python文件，一般是工程文件。

再点进去具体的工程文件，清一色的py，python文件。

再深入一点儿，打开model.py模型文件，你看这个torch没，它是做深度学习基本上必备的库，它是基于Python写的。

再来一个OpenAI开源的GPT2，也是清一色的python文件。

https://github.com/openai/gpt-2/tree/master/src​github.com/openai/gpt-2/tree/master/src

不过GPT2是五年前的作品，它的model模型文件里面用的是tensorflow，它也是做深度学习的库。

你可以看这个图，做深度学习，其实主流的AI大模型，靠的就是这些工具，最底层就是C++或者C语言，因为它们的运行速度更快，但是缺点就是学习难度高，曲线长。

想要更加深入的了解大模型，我建议大家从拥有自己的GPT开始，这是最经典也是目前综合性能最强的大模型

因此在C++的基础上开发了更多的框架，用的是高级语言，比如说Python就是其中之一。

像PyTorch（Meta Llama）、TensorFlow（OpenAI GPT2）就是典型的例子，也有一些工作是用的MXNext等。

但是从主流角度来讲，会Pytorch基本上就差不多了。

但如果你要是从学习的角度来看，Pytorch只是专门来做大模型框架的，但是除了模型框架之外，其实还有不少的东西要学，才能覆盖完AI的大多数方向。

主要的库就这么几个，标*的是必学的，其他的可以暂时不学，或者让ChatGPT代劳。

在掌握Python基础和有了ChatGPT的辅助之后，开始机器学习的实操部分其实变得不那么困难了。

你可以利用机器学习算法的cheatsheet，逐一让ChatGPT帮你生成算法，并详细解释每一步，这个过程不仅比传统的学习方式更快，也更加有趣。

例如，如果你对线性回归（linear regression）感兴趣，你可以这样询问ChatGPT：“请使用Python创建一个线性回归的机器学习模型，并用模拟数据对其进行训练和验证。请一步步指导我如何实现，包括相关的数学公式。”

不懂的地方直接问ChatGPT，比如说你不想问现成的库，想自己做一个加强印象，你可以这么问。

记得，遇到不懂的问题，直接提问即可。

实际操作经验通常是学习中的最佳老师。通过参与小型项目进行实战是极佳的学习方式。Kaggle平台提供了众多数据集，非常适合这种实践。你可以通过以下链接访问这些数据集：

https://www.kaggle.com/datasets?search=machine+learning

在Kaggle上，每个数据集都对应一个特定的机器学习任务。选择一个感兴趣的项目开始，先从阅读和学习他人的代码做起。

  免费资料包

另外还有免费的AI大模型学习资料包，供你学习。点击下面的卡片就可以免费领，具体有：