- 1python面向对象版学生管理系统_学生信息管理系统python面向对象封装
- 2[MAC] 编译安装和测试《魔兽世界》模拟服务端 TrinityCore
- 3Python deepFM推荐系统，推荐算法，deepFM源码实战，deepFM代码模板
- 4CrossOver V2021.20汉化补丁Mac安装Windows免费软件_crossout中文补丁
- 5GPT-4的新玩法：智能应用探索之路_gpt4用于编程选哪个功能
- 6springMVC/boot的Echart图表数据展示_springmvc引入echarts5.3
- 7爬虫实战5：爬取百度图片_爬虫实现可视化爬取百度图片案例
- 8caioj1035:递归5（ n皇后问题）_输入格式: 一个整数 n。 输出格式: 每行输出一种方案,每种方案顺序输出皇后所在的
- 910大最常用的iptables规则_dports ssh
- 102024年蚂蚁金服面经（Java岗、交叉面、P6+、已入职，面试技巧训练_蚂蚁金服java面试
大模型微调方法和技术路线_微调数据集如何制作
赞
踩
目前传统的 Fine-Tuning 有两个痛点问题：参考Prompt-Tuning 深度解读一种新的微调范式
- 降低语义差异（Bridge the gap between Pre-training and Fine-tuning） ：预训练任务主要以 Masked Language Modeling（MLM）为主，而下游任务（DownStream Task）则重新引入新的训练参数，因此两个阶段的目标通常有较大差异。因此需要解决如何缩小Pre-training和Fine-tuning两个阶段目标差距过大的问题；
- 避免过拟合（Overfitting of the head） ：由于在 Fine-Tuning 阶段需要新引入额外的参数以适配相应的任务需要，因此在样本数量有限的情况容易发生过拟合，降低了模型的泛化能力。因此需要面对预训练语言模型的过拟合问题。
1 全量微调
全量微调（Full Fine Tuning, FFT）：对全量的参数进行训练，用特定领域的数据对大模型的训练效果会很好。
但全量微调 FFT 存在下面两个问题：
- 训练的成本会比较高，因为微调的参数量跟预训练的是一样多的；
- 灾难性遗忘（Catastrophic Forgetting），用特定训练数据去微调可能会把这个领域的表现变好，但也可能会把原来表现好的领域的能力变差。
2 参数高效微调
为了解决全量微调 FFT 存在的问题，提出了参数高效微调：
参数高效微调（Parameter-Efficient Fine Tuning, PEFT）只对有效部分的参数进行训练，是目前比较主流的微调方案，其中比较流行的有 Prompt Tuning、Prefix Tuning、Freeze、LoRA 和 QLoRA，主推 QLoRA（Efficient Finetuning of Quantized LLMs） 微调，支持绝大部分主流的开源大模型。
2.1 Prompt Tuning
Prompt Tuning 的出发点是基座模型（Foundation Model）的参数不变，为每个特定任务，训练一个少量参数的小模型，在具体执行特定任务的时候按需调用。Prompt Tuning 是发生在 Embedding 这个环节的，基本原理是在输入序列前面，增加一些特定长度的特殊Token，以增大生成期望序列的概率。参考 Prompt-Tuning：深度解读一种新的微调范式
2.2 Prefix Tuning
Prefix Tuning 也保证了基座模型本身是没有变的，是在 Transformer 的 Encoder 和 Decoder 的网络中都加了一些特定长度的特殊 Token。
2.3 Freeze
Freeze 方法，即参数冻结，对原始模型部分参数进行冻结操作，仅训练部分参数，以达到在单卡或不进行 TP 或 PP 操作（请参考 TP 张量并行 和 PP 流水线并行的定义）时，就可以对大模型进行训练（在语言模型模型微调中，Freeze 微调方法仅微调 Transformer 后几层的全连接层参数，而冻结其它所有参数）。
2.4 LoRA
LoRA：Low-Rank Adaptation of Large Language Models 假设现在看到的这些大语言模型都是被过度参数化的。而过度参数化的大模型背后，都有一个低维的本质模型（即大模型参数虽多，但并不是所有的参数都是发挥作用的；大模型中有一部分参数，是非常重要的，是影响大模型生成结果的关键参数，这部分关键参数就是上面提到的低维的本质模型）。（有点类似Resnet的结构）
2.5 QLoRA
LoRA 效果已经非常好了，可以媲美全量微调的效果了，那为什么还要有个 QLoRA 呢？
QLoRA：Efficient Finetuning of Quantized Large Language Models，比 LoRA 多了一步量化（是一种在保证模型效果基本不降低的前提下，通过降低参数的精度，来减少模型对于计算资源的需求的方法），量化的核心目标是降低训练成本，特别是降后期的推理成本。
3 大模型微调的技术路线
- 监督式微调 SFT（Supervised Fine Tuning) 主要是通过人工标注的数据，用传统机器学习中监督学习的方法，对大模型进行微调；
- 基于人类反馈的强化学习微调 RLHF（Reinforcement Learning with Human Feedback) ，主要是把人类的反馈，通过强化学习的方式，引入到对大模型的微调中去，让大模型生成的结果，更加符合人类的一些期望；
- 基于 AI 反馈的强化学习微调 RLAIF（Reinforcement Learning with AI Feedback） ，原理大致跟 RLHF 类似，但是反馈的来源是 AI。主要是想解决反馈系统的效率问题，因为收集人类反馈，相对来说成本会比较高、效率比较低。
不同的分类角度，只是侧重点不一样，对同一个大模型的微调，也不局限于某一个路线，可以多个方案一起。最终目的都是能够在可控成本的前提下，尽可能地提升大模型在特定领域的能力。
具体模型训练参考基于ChatGLM-6B、ChatGLM2-6B、ChatGLM3-6B模型，进行下游具体任务微调，涉及Freeze、Lora、P-tuning、全参微调等
