在训练GPT、Llama等拥有千亿参数的LLM时，开发者面临的最大阻碍往往不是算力不足，而是显存溢出（Out of memory）。为了在有限的硬件资源下塞进更大的模型，以时间换空间的激活检查点技术应运而生。

一、核心原理

激活检查点机制建立在神经网络运行的两个基本逻辑之上：

• 可推导性：神经网络是链式结构。主要拥有第n层的激活值，可以通过前向计算得到第n+1层的激活值，这意味着中间层的激活值在必要时是可以复现的。例如，在下图中B层的激活值可以仅根据A层的激活值来计算。

• 依赖性。在反向传播更新权重时，算法只需要两样东西：当前层的激活值和下一层传回的梯度。

二、工作流程

传统的训练方式会保存每一层的激活值以备反向传播使用，这导致内存占用随层数线性增长。激活检查点则采取抓大放小的策略：

• 分段设立检查点：在前向传播开始前，系统将常见的n层神经网络划分为若干个片段。

• 前向传播：当数据流经网络时，系统只保留每个片段第一层的激活值，而将该片段内后续层的中间激活值在计算完后立即从内存中释放。

• 反向传播：当反向传播进行到某个片段时，由于中间激活值已被丢弃，系统会利用该片段起始处的检查点数据，重新跑一遍局部的前向计算，临时还原出所需的激活值。一旦权重更新完成，这些临时激活值在再次被销毁。

三、收益与代价

激活检查点是典型的以时间换空间的策略，优势和劣势都非常明确：

• 显著的内存压缩：激活检查点能将中间激活值的内存开销从M降低到M的平方根级别，这对于显存捉襟见肘的单卡环境或超大规模来说，是能不能跑通的质变。

• 算力开销的增加：由于部分激活值需要计算两次，一次在向前传播，另一次在反向传播时的重新计算，这会导致训练运行时间增加约15%~25%。

四、副作用的抵消

虽然单步模型训练变慢了，但由于显存占用大幅降低，可以通过增大批次大小和训练更大的模型来赢回效率。更大的批处理大小通常能提高GPU利用率，提升梯度下降的稳定性；训练更大的模型在同样的硬件上跑更深更宽的神经网络。

激活检查点是深度学习中的一次优雅妥协。在极致的资源限制下，回头路重走一遍路，往往是通往重点最快的捷径。对于追求模型规模的LLM时代，激活检查点是让大型模型走入现实的关键基石之一。

如何系统的学习大模型 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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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】