以下是 6 周大模型学习计划（假设每天 3–4 小时，周末可补课）。每周列出了重点、目标、资源与输出。

Week 1：Python 快速突击

- 目标：熟悉语法、数据结构、文件与网络操作，能写实用脚本。

- 学习资源

  1. 课程：廖雪峰 Python 教程（https://www.liaoxuefeng.com/wiki/1016959663602400）  

  2. 官方文档快速查阅（https://docs.python.org/3/tutorial/）  

  3. LeetCode Easy（数组/字符串/哈希表）

- 练习

  - 写 2 个脚本：日志分析脚本（统计错误码）、接口调用脚本（requests + JSON）  

  - 至少刷 10 道 LeetCode easy

- 输出

  - Python 笔记 + 2 个脚本上传 GitHub  

  - 总结：“测试背景如何用 Python 提效（日志/接口）”

Week 2：PyTorch + 深度学习入门

-目标：理解张量、自动求导，能跑基础模型。

-学习资源**  

  1. d2l.ai《动手学深度学习》PyTorch 章节（https://d2l.ai/）  

  2. YouTube/哔哩哔哩：李宏毅 2024 深度学习课程

- 练习 

  - 实现 MLP、CNN：用 PyTorch 训练 MNIST  

  - 模仿官方教程，写“训练流程封装 + 可视化（TensorBoard 或 Matplotlib）”

- 输出

  - MNIST 项目仓库（含 README、训练脚本、loss/acc 曲线）  

  - 笔记：自动求导/优化器/过拟合问题

 Week 3：Transformer 基础 + 小模型实战

- **目标**：理解 Transformer 结构，跑一个小型语言模型。

- 学习资源  

  1. 《The Annotated Transformer》  

  2. Karpathy《nanoGPT》或 `minGPT`（https://github.com/karpathy/nanoGPT）  

  3. Hugging Face Transformer Course（https://huggingface.co/course/chapter1）

- 练习  

  - 复现 mini Transformer：用字符级数据训练  

  - 阅读/跑通 `nanoGPT` 小数据集（莎士比亚）  

- **输出**  

  - “从零实现 Transformer”笔记或博客  

  - mini GPT 训练代码（含结果）

Week 4：LLM 微调（LoRA/QLoRA）+ RAG 初体验

- 目标：掌握轻量微调、RAG 基本流程。

- 学习资源  

  1. Hugging Face PEFT + LoRA 文档  

  2. QLoRA 论文（可看解读版）  

  3. LangChain 或 LlamaIndex RAG 教程

- 练习  

  - 选一个 7B/13B 模型（Qwen/Baichuan），用 LoRA 在小数据集上做指令微调  

  - 搭建一个最小 RAG Demo（本地文档问答）

- 输出  

  - 微调项目 README：数据来源、参数、GPU/时间、效果  

  - RAG Demo 录屏或部署链接 + 使用说明

Week 5：评测与工程化提升

- 目标：结构化评测、部署 Demo。

- 学习资源  

  1. OpenCompass/MMLU/Humaneval 资料  

  2. vLLM、Triton、FastAPI 文档  

  3. W&B 或 MLflow 追踪教程

- 练习  

  - 对 Week4 项目进行自动化评测（自建题集 + 自动对比）  

  - 用 FastAPI + vLLM 部署微调模型/或 RAG 服务，接入前端或 CLI  

- 输出  

  - 评测报告（指标、baseline、结论）  

  - 部署说明（Dockerfile/启动脚本/接口文档）

Week 6：整合作品集 + 求职准备

- 目标：整理成果，准备面试与投递。

- 任务  

  - GitHub 作品集整理：统一 README 模板（背景-方案-数据-指标-部署）  

  - 写 1–2 篇技术博客（CSDN/知乎/个人博客）  

  - 准备面试题：  

    - Python & PyTorch：一页速查  

    - 深度学习基础（激活函数/正则化/Attention）  

    - LLM Pipeline（预训-SFT-RLHF-RAG）  

  - 模拟面试：自答“项目亮点”“困难与解决”“对齐与安全问题”  

- 输出  

  - 完整作品集链接 + 博客文章  

  - 简历草稿（突出“测试背景 + LLM 项目”）

执行建议 & 跟进方式

1. 时间分配：工作日 2.5 小时（晚/早两段），周末 2×3 小时集中攻克难点。  

2. 周目标验收：周日晚上自查：代码是否跑通、README 是否完善、是否写了总结。  

3. 公开输出：每周至少写一篇笔记（知乎/GitHub Issues/Notion），既当复盘也当求职素材。  

4. 反馈循环：每完成一个 Demo，就让朋友/社区试用提意见，快速迭代。  

5. 简历实时更新：每完成一个项目，立刻把关键信息写入简历，避免后期回忆。

照这个节奏执行 6 周，就能达到“Python 能力 + 深度学习基础 + LLM 微调项目 + 评测部署经验”的组合，足以支撑转岗时的作品展示与面试回答。后一阶段可继续深入分布式训练、AIGC Agent、自动化评测平台等方向。