本周核心目标
掌握LoRA 轻量微调核心思路与实操，完成自选方向实战项目，最后统一整理所有项目，上传 GitHub 完成全套作品集，课程正式收尾。
一、知识点 + 实操拆分（按天规划）
Day1 LoRA 轻量微调入门（学生主流低成本微调方案）
- 传统全量微调弊端：参数量大、硬件要求高、耗时久
- LoRA 核心原理：冻结原模型权重，仅训练少量低秩矩阵，低成本适配私有数据
- 适用场景：小数据集、普通笔记本 / 显卡即可完成微调
- 工具链：基于 Hugging Face / PEFT 库实现 LoRA 微调的整体流程
Day2 LoRA 微调实操（通用流程）
- 数据集制作：针对任务整理训练数据（问答、对话、指令数据格式）
- 代码实操：加载预训练轻量化模型 + 启用 LoRA 配置
- 启动训练：设置训练参数、监控训练过程、保存 LoRA 微调权重
- 微调后推理：加载原模型 + LoRA 权重，测试微调效果
Day3 自选实战项目开发（三选一，独立完成）
结合前期所学，选定一个方向落地完整项目：
方向 1（CV 图像方向）：图像识别小工具整合前期 CNN / 图像分类能力 + 大模型能力，实现图片上传、内容识别、结果解析小工具
方向 2（NLP 文本方向）：智能问答 / 作文辅助模型基于本地大模型 + LoRA 微调，搭建专属问答系统、作文润色 / 辅助生成工具
方向 3（综合方向）：AI 聊天机器人实现多轮对话、人设定制、简单记忆功能的本地聊天机器人
要求：完成功能开发、界面 / 交互简化、基础测试，记录运行效果。
Day4 全项目整理 + GitHub 作品集搭建（课程收尾）
- 项目归档：梳理全部 23~26 周及前期所有项目
- 图像分类、RNN/LSTM 文本分类、大模型部署、LoRA 微调、本次自选实战项目
- 统一整理：代码、数据集、运行截图、实验文档、学习笔记
- GitHub 仓库搭建规范
- 新建仓库，分层创建文件夹（按周 / 按项目分类）
- 编写
README.md：项目介绍、技术栈、运行环境、使用教程、知识点总结 - 上传所有代码、文档、效果截图，标注每个项目核心知识点
二、本周验收 & 最终产出（课程全套收尾）
- 理论 + 代码产出
- LoRA 微调学习笔记 + 完整微调代码
- 自选方向实战项目（可运行代码 + 效果演示）
- 个人 GitHub 作品集（核心最终成果）
- 包含深度学习全阶段所有项目，目录清晰、注释完整、文档齐全
- 个人总结文档
- 全课程技术路线梳理：CNN 图像 → RNN/LSTM 序列 → Transformer 大模型
- 学习心得、技术难点、后续长期拓展学习规划
三、长期拓展建议（课后持续学习方向）
- 进阶方向：RAG 检索增强、Agent 智能体、模型量化、分布式部署
- 工程方向：简易 Web 界面搭建（Gradio/Streamlit）、项目封装上线
- 算法方向：深入 Transformer、预训练、对齐、多模态大模型
两周整体学习节奏 & 重点总结
1. 技术主线
25 周：Transformer（大模型底座）→ 大模型 API 调用 → 本地轻量化模型部署26 周：LoRA 轻量微调 → 自选综合实战项目 → GitHub 作品集归档（课程收尾）
2. 能力递进
- 看懂大模型底层结构 → 会用现成大模型 → 会低成本微调模型 → 独立做综合 AI 项目 → 规范整理个人技术作品集
- 完成从传统深度学习（CV/NLP 基础模型）到大模型应用的完整链路学习
3. 重点提醒（适配学生学习环境）
- 优先使用量化轻量模型，降低电脑硬件压力；
- LoRA 是本阶段重点，也是学生做个性化模型改造的最优方案；
- GitHub 作品集为最终交付重点，务必保证代码可复现、文档清晰，可作为后续求职 / 参赛素材。
