解密Prompt系列3. 冻结LM微调Prompt: Prefix-Tuning &Prompt-Tuning & P-Tuning_prompt微调

这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。

固定LM微调Prompt的范式有以下几个优点

• 性价比高！微调参数少，冻结LM只微调prompt部分的参数
• 无人工参与！无需人工设计prompt模板，依赖模型微调即可
• 多任务共享模型！因为LM被冻结，只需训练针对不同任务的prompt即可。因此可以固定预训练模型，拔插式加入Prompt用于不同下游任务

Prefix-Tuning

• Paper: 2021.1 Optimizing Continuous Prompts for Generation
• Github：github.com/XiangLi1999…
• Prompt: Continus Prefix Prompt
• Task & Model：BART(Summarization), GPT2(Table2Text)

最早提出Prompt微调的论文之一，其实是可控文本生成领域的延伸，因此只针对摘要和Table2Text这两个生成任务进行了评估。

先唠两句可控文本生成，哈哈其实整个Prompt范式也是通用的可控文本生成不是，只不过把传统的Topic控制，文本情绪控制，Data2Text等，更进一步泛化到了不同NLP任务的生成控制~~

Prefix-Tuning可以理解是CTRL[1]模型的连续化升级版，为了生成不同领域和话题的文本，CTRL是在预训练阶段在输入文本前加入了control code，例如好评前面加’Reviews Rating:5.0’,差评前面加’Reviews Rating:1.0’, 政治评论前面加‘Politics Title:’，把语言模型的生成概率，优化成了基于文本主题的条件概率。

Prefix-Tuning进一步把control code优化成了虚拟Token，每个NLP任务对应多个虚拟Token的Embedding（prefix），对于Decoder-Only的GPT，prefix只加在句首，对于Encoder-Decoder的BART，不同的prefix同时加在编码器和解码器的开头。在下游微调时，LM的参数被冻结，只有prefix部分的参数进行更新。不过这里的prefix参数不只包括embedding层而是虚拟token位置对应的每一层的activation都进行更新。

对于连续Prompt的设定，论文还讨论了几个细节如下

1. prefix矩阵分解

作者发现直接更新多个虚拟token的参数效果很不稳定，因此作者在prefix层加了MLP，分解成了更小的embedding层 * 更大的MLP层。原始的Embedding层参数是n_prefix * emb_dim, 调整后变为n_prefix * n_hidden + n_hidden * emb_dim。训练完成后这部分就不再需要只保留MLP输出的参数进行推理即可

个人感觉MLP的加入是为了增加多个虚拟token之间的共享信息，因为它们和常规的连续文本存在差异，需要被作为一个整体考虑，可能对prefix位置编码进行特殊处理也阔以？？

2. prefix长度

prefix部分到底使用多少个虚拟token，直接影响模型微调的参数量级，以及处理长文本的能力。默认的prefix长度为10，作者在不同任务上进行了微调，最优参数如下。整体上prompt部分的参数量都在原模型的~0.1%

3. 其他：作者还对比了把prefix放在不同位置，以及使用任务相关的Token来初始化prefix embedding的设定，前者局限性较大，后者在后面的paper做了更详细的消融实验

效果上在Table2Text任务上，只有0.1%参数量级的prompt tuning效果要优于微调，

在Xsum摘要任务上，prompt的效果要略差于微调。

Prompt-Tunning

• Paper: 2021.4 The Power of Scale for Parameter-Efficient Prompt Tuning
• prompt：Continus Prefix Prompt
• Github: github.com/google-rese…
• Task: SuperGLUE NLU任务
• Model: T5 1.1（在原T5上进行了细节优化）

Prompt-Tunning是以上prefix-Tunning的简化版本，面向NLU任务，进行了更全面的效果对比，并且在大模型上成功打平了LM微调的效果~

简化

对比Prefix-Tunning，prompt-Tuning的主要差异如下，

论文使用100个prefix token作为默认参数，大于以上prefix-tuning默认的10个token，不过差异在于prompt-Tunning只对输入层(Embedding)进行微调，而Prefix是对虚拟Token对应的上游layer全部进行微调。因此Prompt-Tunning的微调参数量级要更小，且不需要修改原始模型结构，这是“简化”的来源。相同的prefix长度，Prompt-Tunning(<0.01%)微调的参数量级要比Prefix-Tunning(0.1%~1%)小10倍以上，如下图所示

为什么上面prefix-tuning只微调embedding层效果就不好，放在prompt-tuning这里效果就好了呢？因为评估的任务不同无法直接对比，个人感觉有两个因素，一个是模型规模，另一个是继续预训练，前者的可能更大些，在下面的消融实验中会提到

效果&消融实验

在SuperGLUE任务上，随着模型参数的上升，PromptTunning快速拉近和模型微调的效果，110亿的T5模型(上面prefix-tuning使用的是15亿的GPT2)，已经可以打平在下游多任务联合微调的LM模型，并且远远的甩开了Prompt Design（GPT3 few-shot）

作者也做了全面的消融实验，包括以下4个方面，最核心的感受就是只要模型足够够大一切都好说

1. prompt长度(a)：固定其他参数，作者尝试了{1，5，20，100，150}, 当模型规模到百亿后，只要prompt长度大于1，更长的prompt并不能带来效果提升
2. Prompt初始化(b): 作者尝试了随机uniform初始化，用标签文本空间初始化，和用Top5K高频词采样初始化，在10^8规模，标签词初始化效果最好。作者发现预测label也会在对应prompt空间内。不过到百亿规模后，初始化带来的影响就会消失
3. T5继续预训练©:作者认为T5本身的Span Corruption预训练目标和掩码词，并不适合冻结LM的场景，因为在微调中模型可以调整预训练目标和下游目标的差异，而只使用prompt可能无法弥合差异。其实这里已经能看出En-Dn框架在生成场景下没有GPT这样的Decoder来的自然。因此作者基于LM目标对T5进行继续预训练
4. 继续预训练step(d)：以上的继续预训练steps，继续预训练步数越高，模型效果在不同模型规模上越单调。

可解释

考虑Prompt-Tunning使用Embedding来表征指令，可解释性较差。作者使用cosine距离来搜索prompt embedding对应的Top5近邻。发现

• embedding的近邻出现语义相似的cluster，例如{ Technology / technology / Technologies/ technological / technologies }, 说明连续prompt实际可能是相关离散prompt词的聚合语义
• 当连续prompt较长（len=100）, 存在多个prompt token的KNN相同：个人认为这和prefix-tuning使用MLP那里我的猜测相似，prompt应该是一个整体
• 使用标签词初始化，微调后标签词也大概率会出现在prompt的KNN中，说明初始化可以提供更好的prior信息加速收敛

P-Tuning

• Paper: 2021.3, GPT Understands, Too
• prompt：Continus Prefix Prompt
• Task: NLU任务, 知识探测任务
• github: github.com/THUDM/P-tun…
• Model: GPT2 & BERT

P-Tuning和Prompt-Tuning几乎是同时出现，思路也是无比相似。不过这个在prompt综述中被归类为LM+Prompt同时微调的范式，不过作者其实两种都用了。因此还是选择把p-tuning也放到这一章，毕竟个人认为LM+Prompt的微调范式属实有一点不是太必要。。。

论文同样是连续prompt的设计。不过针对上面提到的Prompt的整体性问题进行了优化。作者认为直接通过虚拟token引入prompt存在两个问题

• 离散性：如果用预训练词表的embedding初始化，经过预训练的词在空间分布上较稀疏，微调的幅度有限，容易陷入局部最优。这里到底是局部最优还是有效信息prior其实很难分清
• 整体性：多个token的连续prompt应该相互依赖作为一个整体，不谋而合了！

针对这两个问题，作者使用双向LSTM+2层MLP来对prompt进行表征, 这样LSTM的结构提高prompt的整体性，Relu激活函数的MLP提高离散型。这样更新prompt就是对应更新整个lstm+MLP部分的Prompt Encoder。下面是p-tuning和离散prompt的对比

作者分别对LAMA知识探测和SuperGLUE文本理解进行了评测。针对知识抽取，作者构建的prompt模板如下，以下3是虚拟prompt词的数量，对应prompt encoder输出的embedding数

• BERT：(3, sub,3,obj,3)
• GPT（3，sub,3,obj）

在知识探测任务中，默认是固定LM只微调prompt。效果上P-tuning对GPT这类单项语言模型的效果提升显著，显著优于人工构建模板和直接微调，使得GPT在不擅长的知识抽取任务中可以基本打平BERT的效果。

针对SuperGLUE作者是做了LM+Prompt同时微调的设定。个人对LM+prompt微调的逻辑不是认同，毕竟1+1<2，同时微调它既破坏了预训练的语言知识，也没节省微调的参数量级，感觉逻辑上不是非常讲的通（哈哈坐等之后被打脸）。结论基本和以上知识探测相似

开头说优点，结尾说下局限性

• 可解释性差：这是所有连续型prompt的统一问题
• 收敛更慢: 更少的参数想要撬动更大的模型，需要更复杂的空间搜索
• 可能存在过拟合：只微调prompt，理论上是作为探针，但实际模型是否真的使用prompt部分作为探针，而不是直接去拟合任务导致过拟合是个待确认的问题
• 微调可能存在不稳定性：prompt-tuning和p-tuning的github里都有提到结果在SuperGLUE上无法复现的问题

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。