当前位置:   article > 正文

常见的大模型微调的⑤种方案(附大模型学习路线)

大模型微调

大模型微调是将一个预训练的大型模型调整以适应特定任务的过程,这有助于模型在特定领域或任务上表现得更好。以下是五种常见的大模型微调方法:

  • LoRA (Learnable Representation for Finetuning): LoRA是一种高效微调技术,它通过在预训练模型的顶部添加一组低秩矩阵(线性层),来调整模型的输出。这些矩阵学习如何对模型的特征进行重新加权,以适应特定任务,而无需修改原始模型的权重。LoRA以其计算效率高和存储需求低著称,能够在不显著增加计算成本的情况下实现性能提升。
  • Adapter: Adapter方法通过在模型的每一层或选定层之间插入小型可训练网络(通常称为Adapter模块)来实现微调。这些Adapter模块具有较少的参数,仅针对特定任务进行训练,而预训练模型的主体参数保持不变。这样做既保留了模型的泛化能力,又允许模型适应特定任务,同时保持较高的效率。
  • Prefix-tuning: Prefix-tuning通过在模型的输入端添加可学习的前缀向量来调整模型的行为。这些前缀可以被看作是对模型后续处理的一种引导或提示,影响模型对输入序列的理解和处理方式。这种方法不需要修改模型的内部权重,从而减少了训练负担。
  • P-tuning: P-tuning是一种结合了prompt-based方法和参数化技术的微调策略。它通过引入可学习的“虚拟token”或连续提示(而不是静态文本提示)来指导模型输出,这些token作为输入的一部分,帮助模型聚焦于特定任务的需求。这允许模型更加灵活地适应不同任务,同时保持较高的效率。
  • Prompt-tuning: Prompt-tuning涉及到设计或学习合适的文本提示(prompts),并将这些提示与输入数据结合起来,引导模型产生特定任务所需的输出。与直接调整模型参数不同,此方法通过改变输入来间接影响模型行为,有时会配合少量可学习的参数来优化提示的效果。

这些方法各有优势,选择哪种方法取决于具体任务的需求、可用资源(如计算力和内存)、以及对模型性能和效率的权衡考虑。

如何学习大模型 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。

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

在这里插入图片描述

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
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/人工智能uu/article/detail/1004345
推荐阅读
相关标签
  

闽ICP备14008679号