Selective类：选择模型中的部分层比如最后几层、或偏置项进行微调。
Reparametrization-based类：利用低秩表征（low-rank representations）来最小化可训练的参数，本质上就是认为大量的参数中，仅仅一部分起到关键作用，在这个起关键作用的子空间中去寻找参数进行微调。
Hybrid类：混合了多种类别的方法。

PEFT方法效率统计

参数效率（Parameter Efficiency，PE）从广泛的概念讲，包括存储、内存、计算和性能的效率，其中计算效率主要包括微调时反向传播的计算和推理的计算效率。下面是对已收集的方法（论文）从这几个维度进行的统计：

表1. 各种方法的效率统计

其中，Type表示该方法属于Additive、Selective、Reparametrization-based哪一类，Storage、Memroy表示该方法和全部参数微调比较是否节约了存储、内存。Backprop表示是否减小了反向传播计算开销，Inference overhead表示推理时是否增加了开销，比如常见的增加了全连接层。

具体方法具体介绍

按Additive、Selective、Reparametrization-based分类介绍，主要方法会介绍细节，其余方法一句话概括。

3.1 Additive类：Adapters

3.1.1 Adapters

论文《Parameter-Efficient Transfer Learning for NLP》，2019年

图2. Adapter结构

结构简洁明了，在Transformer的前馈层后加入上图中右边所示的Adapter层，Adapter是一个bottleneck结构，先把d维特征映射为m维，然后通过一个非线性层，最后映射回d维特征，m<<d，即m远小于d，Adapter包括偏置项的参数量为2md+m+d，由于m很小，起到了限制参数量的作用。模型微调的时候，学习的参数包含上图绿色部分，除了Adapter，还有Transformer本身的Layer Norm层。

Adapters微调训练的参数量、全模型微调参数量和准确率关系如下图。总体上，在BERT Large模型上用0.5-5%的参数微调，基本达到全参数微调性能，差距仅1%以内。在GLUE上，用3.6%的参数微调和全参数微调性能差距仅0.4%。

图3. Adapters微调参数和性能关系

3.1.2 其他方法

AdaMix：使用 mixture-of-experts（MoE）思路，对多个adapters采用模型选择具体的expert adapter。

3.2 Additive类：Soft Prompts

3.2.1 Prefix-Tuning

论文《Prefix-Tuning: Optimizing Continuous Prompts for Generation》，2021年

一般的Prompts需要根据任务构造Prompt模板，同一任务不同的Prompts模板可能导致模型性能差别很大，Prefix-Tuning在模型的输入里直接加上前缀向量进行微调，功能类似加Prompts，但加的是向量，让这些向量自行训练，不用人为去构造各种模板。

图4. Prefix-Tuning原理

图4中上面部分是以Transformer结构为例全参数微调的情况，下面部分是Prefix-Tuning的方法，在每层的开头加了Prefix向量，微调只训练这部分对应的参数，其余Transformer固有的参数冻结不变。

图5. Prefix-Tuning添加Prefix的方法

借用稀土掘金社区文章的图5更进一步说明了每层添加Prefix的方法，同一个source经过MLP全连接网络得到Prefix加入每一Transformer block。

用伪代码表示就是：

图6. 自回归和Encoder-Decoder结构的Prefix-Tuning例子

图6 是典型的自回归和Encoder-Decoder结构上进行Prefix-Tuning的方法示例。自回归在开头加上Prefix，输出就是正常的输出，Encoder-Decoder在输入加上Prefix，输出有对应的内容。

微调训练过程中模型原有的损失函数定义不变，不同的任务训练其特有的Prefix，推理时用自己训练得到的Prefix。

作者实验了只在输入的embedding层加入Prefix，性能下降明显。

表2. Prefix-Tuning实验结果

表2是Prefix-Tuning在不同任务上微调0.1%参数的效果，和Adapters方法进行比较，同等训练0.1%参数量的情况下，普遍优于Adapters。

总体上，只用微调占模型0.1%的参数，就能得到和全参数微调的媲美的效果。

3.2.2 Prompt Tuning

论文《The Power of Scale for Parameter-Efficient Prompt Tuning》，2021年

一句话概括的话就是上面讲的Prefix-Tuning的简化版，碰巧和Prefix-Tuning同时做的工作，只把soft prompts加到模型的输入，作者研究表明只加到输入层效果就不错了，不必加到中间层。

图7. Prompt Tuning

伪代码如下：

Prompt Tuning是以把各种任务都归纳到text-to-text的T5模型基础上研究的，文章花了很多功夫比较soft prompts的不同初始化方法、不同的prompt长度、不同的预训练方法、不同的LM adaption步数。LM adaption指的是在T5模型上用自监督方法继续训练额外的少量步数。比较结果如图8。

图8. 不同因素对结果的影响

文章还探索了Prompt Ensembling，Ensembling是机器学习里常用的一个方法，即把多个方法集成在一起，可是使用投票、算平均值等多种方式使用各个方法的结果。即图7所示，同一batch里同时训练多个任务，不同任务当然是用其自身的prompt，但即使是同一个任务，也使用多个prompts。预测的时候用简单的投票方式选prompt，实验表明Ensembling方法好于单个prompt的平均性能，好于或者持平单个prompt的最好性能。

3.2.3 其他方法

Intrinsic Prompt Tuning (IPT)：用自编码器压缩和解压soft prompts。

3.3 Selective类

3.3.1 BitFit

论文《BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models》，2022年

BitFit十分简洁明了，在Transformer结构中只微调所有偏置项bias参数。

具体而言，Transformer过程如下，先是Q、K、V的计算：

然后根据Q、K、V计算attention：

然后做Layer-Norm：

上面的红色部分就是所有的bias项，只选择（Selective）这些bias项参数进行微调。

表3. BitFit性能对比

表3显示GLUE上基于BERT Large基座模型，BitFit和全参数训练、Adapters、Diff-Prune（另一个selective方法）性能比较，部分任务上能达到最优。另外，在BERT Base和RoBERT Base上也是同样的趋势。

3.3.2 其他方法

DiffPruning：模型微调的时候学习参数的掩码mask。

3.4 Reparametrization-based类

3.4.1 LoRA

论文《LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS》，2021年

重点来了，LoRA可能是目前最流行的PEFT方法，受欢迎必须要效果好，而且好懂易用！效果好体现在论文直接在流行的RoBERTa、DeBERTa、GPT-2、GPT-3模型上实验显示微调性能优于或持平全参微调，GPT-3 175B模型参数够大，给大家提前趟水吃个定心丸。后续大家陆续在LLaMA等模型上微调，不仅速度快而且效果好。

图9. LoRA原理

LoRA的想法很巧妙，如图9，对一个预训练的模型有h=Wx，其中x为输入，W为预训练权重，h为输出。LoRA认为，如果要在特定任务上进行微调，也就是要改变模型的参数权重W，这个改变的部分

本质上可以压缩到一个很小的子空间，有：

其中，

是预训练模型的权重，微调时保持不变，

是微调时要学习的权重，可以分解为两个低维（低秩）的矩阵B和A，维度关系为：

，

这也是论文为啥叫Low Rank的原因，一般情况下r<<min(d,k)。用深度学习的思路，我们不会真正通过矩阵分解得到矩阵B和A，而是通过数据驱动，用梯度下降反向传播方法计算得到。论文使用随机高斯分布初始化A，B初始化为0，对不同大小的r做了实验对比。

LoRA和之前主要方法比较的优势：

和Prefix-Tuning比，由于不用在输入上加额外的prompts，能支持更长的输入；
和Adapters比，增加的参数和基座模型计算是并行的，不像Adapters是在网络中加了串行的层，所以推理时没有增加额外的延迟。在生产环境部署时，可以先计算好

，W的维度没有变化，推理时和原来基座模型计算开始是一样的。对不同的任务，替换对应的

即可，也很方便。