本仓库项目是个人总结的计算机视觉和大语言模型学习笔记，包含深度学习基础知识、神经网络基础部件详解、深度学习炼丹策略、深度学习模型压缩算法、深度学习推理框架代码解析及动手实战。
LLM 基础及推理优化的专栏笔记请参考 llm_note 仓库。
- 框架亮点：基于 Triton + PyTorch 开发的轻量级、且简单易用的大模型推理框架，采用类 Pytorch 语法的 Triton 编写算子，绕开 Cuda 复杂语法实现 GPU 加速。
- 价格：499。非常实惠和便宜，课程、项目、面经、答疑质量绝对对得起这个价格。
- 课程优势：
- 手把手教你从 0 到 1 实现大模型推理框架。
- 项目导向 + 面试导向 + 分类总结的面试题。
- 2025 最新的高性能计算/推理框架岗位的大厂面试题汇总
- 项目优势：
- 架构清晰，代码简洁且注释详尽，覆盖大模型离线推理全流程。
- 运用 OpenAI Triton 编写高性能计算 Kernel，开发矩阵乘法内核，效率堪比 cuBLAS。
- 依托 PyTorch 进行高效显存管理。
- 课程项目完美支持 FlashAttentionV1、V2、V3 与
GQA，以及PageAttention的具体实现。 - 使用
Triton编写融合算子，如 KV 线性层融合等。 - 适配最新的
llama/qwen2.5/llava1.5模型，相较 transformers 库，在 llama3 1B 和 3B 模型上，加速比最高可达4倍。
- 分类总结部分面试题：
 |
 |
- 项目运行效果:
llama3.2-1.5B-Instruct 模型流式输出结果测试：
Qwen2.5-3B 模型（社区版本）流式输出结果测试：
Llava1.5-7b-hf 模型流式输出结果测试:
 |
 |
感兴趣的同学可以扫码联系课程购买，这个课程是我和《自制深度学习推理框架》作者一起合力打造的，内容也会持续更新优化。
1，神经网络基础部件：
2，深度学习基础：
1，卷积神经网络的经典 backbone：
2，轻量级网络详解：
1，模型推理部署：
2，ncnn 框架源码解析：
3，异构计算
- 移动端异构计算：
neon编程 - GPU 端异构计算：
cuda编程，比如gemm算法解析与优化
1，推荐几个比较好的深度学习模型压缩与加速的仓库和课程资料：
- 神经网络基本原理教程
- AI-System: 深度学习系统，主要从底层方向讲解深度学习系统等原理、加速方法、矩阵成乘加计算等。
- pytorch-deep-learning：很好的 pytorch 深度学习教程。
2，一些笔记好的博客链接：
- The Illustrated Transformer: 国内比较好的博客大都参考这篇文章。
- C++ 并发编程（从C++11到C++17）: 不错的 C++ 并发编程教程。
- What are Diffusion Models?
- annotated_deep_learning_paper_implementations
3，最后，持续高质量创作不易，有 5 秒空闲时间的，可以扫码关注我的公众号-嵌入式视觉，记录 CV 算法工程师成长之路，分享技术总结、读书笔记和个人感悟。
公众号不会写标题党文章，也不输出给大家带来的焦虑的内容！
4，Star History Chart：