最近出现了一系列令人激动的开源大语言模型，如meta的LLaMA、清华的ChatGLM等。伴随大模型一起爆火的，还有大模型的微调方法。然而随着模型规模和任务数量的增加，对整个Transformer模型进行微调也变得越来越昂贵。因此，很多参数高效微调方法（Parameter-Efficient Fine-Tuning，PEFT） 方法被提出来解决这类问题。
免费扫描参与课程（附老师ppt原稿&100+大模型论文
）

领99个大模型微调模型/数据/工具
（文末有福利）
导师推荐100+大模型论文合集
我们邀请了清华大学博士，AI顶会审稿人青山老师为大家带来——惊艳的大模型高效参数微调法！来和大家聊一聊有关大模型微调的方法、未来趋势及创新点！
免费扫描参与课程（附老师ppt原稿&100+大模型论文
）

领99个大模型微调模型/数据/工具
（文末有福利）
讲师介绍—青山老师
▪️研究领域：工业故障诊断、医学图像分割、医学多模态问答、不平衡学习、小样本学习、开集学习和可解释性深度学习等。
▪️共发表20余篇SCI国际期刊和EI会议论文，包括一区期刊IEEE Transactions on Industrial Informatics (影响因子11.648)，Applied Soft Computing (影响因子8.263)，Neurocomputing (影响因子5.779)， ISA Transactions (影响因子5.911)，Journal of Intelligent Manufacturing (影响因子7.136) 等。论文引用200+。
▪️长期担任人工智能顶级会议AAAI等审稿人， Neurocomputing，Expert Systems with Applications等国际顶级期刊审稿人。
【课程大纲】
第1节：大模型微调-任务特定的P-tuning
1. 端到端微调的挑战和限制
2. P-tuning 的基本思想与步骤
3. P-tuning 在自然语言处理任务上的实际应用 
第2节：大模型微调-任务/模型无关的LORA
1. 各个领域预训练模型和微调概念的介绍
2. LoRA 微调的关键思想和方法
3. LoRA 在计算机视觉领域中的实际应用案例 
第3节：大模型微调方法-Peft库使用实践（实战篇） 
1. 使用P-tuning微调ChatGLM
2. 使用LoRA微调Blip
3. 参数高效的微调方法未来的发展趋势、热点预测 
Prefix-tuning和P-tuning通过引导模型生成过程，使模型能够更准确地满足任务需求。
Adapter技术通过添加轻量级的适配器层，实现了快速的任务适应和灵活性。
Low-Rank Adaptation（LoRA）通过低秩近似减少模型参数量，提高模型的效率和部署可行性。
REcurrent ADaption（READ）在保持较高质量模型微调效果的同时，可以节省56％的训练显存消耗和84％的GPU使用量。
免费领99个微调数据/模型/工具
▪️58个开源的微调数据
▪️18个开源垂直微调模型
▪️23个开源的指令微调与强化工具


（文末有福利）
PEFT 方法可以分为三类，不同的方法对 PLM 的不同部分进行下游任务的适配：
  • Prefix/Prompt-Tuning ：在模型的输入或隐层添加 k 个额外可训练的前缀 tokens（这些前缀是连续的伪 tokens，不对应真实的 tokens），只训练这些前缀参数；
  • Adapter-Tuning ：将较小的神经网络层或模块插入预训练模型的每一层，这些新插入的神经模块称为 adapter（适配器），下游任务微调时也只训练这些适配器参数；
  • LoRA ：通过学习小参数的低秩矩阵来近似模型权重矩阵 W 的参数更新，训练时只优化低秩矩阵参数。
作为一个科研小白，怎么发表一篇大模型微调相关的优质论文？
为了论文，大家都在努力地设计新网络、新策略、新training算法，只要能够在某一问题上做到一个很好的performance，论文就水到渠成。而想要快速达到，来自前辈的指点不可或缺。
一个好的指导老师的作用是，没有课题，能够结合所在课题组具体情况，结合最近热门研究方向，帮你规划课题，如果有了课题而缺少创新方向，老师能够快速帮你找到几种切入点，几种框架，甚至连需要读哪些文献都帮你想好了......
扫描二维码

获取学术大咖科研指导
（文末有福利）
文末福利
为庆祝沃恩20周年庆！给大家送一波大福利！我整理了100节计算机全方向必学课程，包含CV&NLP&论文写作经典课程，限时免费领！
立即扫码
免费领100节计算机必学课程
-END-
继续阅读
阅读原文