muse怎么做响应式网站,建筑网片焊网片机,内部网站建设合同,天津网站建设网页设计公司Step1:脉络
微调技术从最早期的全模型微调演变成如今的各种参数高效微调(PEFT)方法#xff0c;背后是为了应对大模型中的计算、存储和数据适应性的挑战
1.为什么有微调#xff1f;
深度学习模型越来越大#xff0c;尤其是 NLP 中的预训练语言模型(BERT, GPT)系列。如果从…Step1:脉络
微调技术从最早期的全模型微调演变成如今的各种参数高效微调(PEFT)方法背后是为了应对大模型中的计算、存储和数据适应性的挑战
1.为什么有微调
深度学习模型越来越大尤其是 NLP 中的预训练语言模型(BERT, GPT)系列。如果从零开始训练既耗时又昂贵。
所以人们开始转向 预训练-微调 范式在大规模无监督语料库上进行模型的预训练然后在特定任务上微调模型。
核心需求
减少从零开始训练的计算成本和时间利用已经学到的通用语言知识通过小规模的任务特定数据快速适配模型
2.脉络
1. 微调技术时间线
全量微调(2018, BERT Google 提出) → Adapter 微调(2019, Houlsby et al 提出) → P-Tuning(2021, 清华大学) → LoRA(2021, 微软研究院) → Prefix-Tuning(2021, Li et al 提出) → IA³ (2022, 微软 和 HuggingFace 提出)
2.LoRA 的脉络
LoRA(2021) 解决通过低秩分解只微调少量参数大幅减少计算和存储成本尤其适合大模型生成任务不足固定秩的设计限制了在复杂多任务或多层次任务中的表现力 QLoRA(2023) 解决虽然 LoRA 减少了参数量但是显存占用依旧较高。QLoRA 通过 4bit 量化降低了显存需求不足量化带来了一定的性能损失特别是在精度要求极高的任务上 LoHA(2022) 解决LoRA 固定秩的方式难以应对多任务学习或复杂层次结构的需求。LoHA 通过层次化的低秩分解适应不同层次的任务需求。这样增强了多任务和复杂上下文中的适应性。不足增加了计算复杂度设计相对复杂 LoKr(2023) 解决LoRA 适用于线性任务处理非线性特征时表现不足。LoKr 结合了核方法使模型能够更好的捕捉复杂的非线性关系。提高了模型在非线性特征场景中的表现如高级 NLP 和 CV 任务中不足引入了额外的计算成本和复杂性 AdaLoRA(2023) 解决LoRA 固定秩限制了模型对不同层的适应能力。AdaLoRA 通过动态调整每一层的秩减少了不必要的计算提高了关键层的标下能力在资源有限的环境下表现优异不足引入了更高的实现复杂度和超参数调整要求 Delta-LoRA 和 Prefix Tuning(2021-2022) 解决LoRA 在生成任务的上下文适应性不足。Delta-LoRA 和 Prefix-Tuning 通过引入前缀或序列信息的适应曾庆了对上下文的捕捉能力提升了生成任务(对话、故事生成)中的质量不足推理时成本增加
7.总结
LoRA 的初衷是为了解决大规模模型微调中的高计算和显存开销问题。QLoRA 进一步通过量化解决了显存占用问题使得大模型能够在低资源设备上运行。LoHA 和 LoKr 针对复杂任务和非线性特征的学习需求进行了扩展增强了模型的适应性。AdaLoRA 通过自适应调整秩大小优化了层次间的资源分配进一步提高了效率和灵活性。Delta-LoRA 和 Prefix Tuning 则主要提升了生成任务的上下文捕捉能力。
