大模型微调方法和技术路线_模型微调数据集制作及微调技术研究技术路线

参考带你快速了解大模型微调原理

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