网站首页幻灯片不显示,网页设计制作项目,什么是网络开发,滨州建设厅网站PEFT#xff08;Parameter-Efficient Fine-Tuning#xff09;是hugging face开源的一个参数高效微调大模型的工具#xff0c;里面集成了4中微调大模型的方法#xff0c;可以通过微调少量参数就达到接近微调全量参数的效果#xff0c;使得在GPU资源不足的情况下也可以微调大…PEFTParameter-Efficient Fine-Tuning是hugging face开源的一个参数高效微调大模型的工具里面集成了4中微调大模型的方法可以通过微调少量参数就达到接近微调全量参数的效果使得在GPU资源不足的情况下也可以微调大模型。
1LORALOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS
LORA是PEFT中最常用的方法LORA认为过参数的模型权重其实存在低内在维度那么模型适应过程中的权重变化也存在低内在维度因此模型在微调的过程中实际上可以通过微调低秩矩阵来微调模型。LORA的微调过程如下在Linear层增加一个“旁路”, “旁路”用A、B两个矩阵组合表示维度分别是d × r和 r × d其中r远小于dA随机初始化B初始化为0在微调模型的过程中左边的W不更新只更新右边的A和B的参数。前向传播时是左右的输出和反向传播时只更新右边因此计算的梯度以及优化器的中间值也只和右边有关最终右边的参数会单独保存下来。LORA这种训练方式不会改变大模型的参数且针对每个下游任务生成自己的LORA参数在预测阶段只要将大模型的参数和LORA参数叠加在一起即可。
LORA还提供了单独的库loralib可以结合pytorch一起使用。 2P-tuningGPT Understands, Too
一般在通过Prompt的方式使用大模型时通常需要人工构造一些模板P-tuning将自然语言模板的构建转换成连续参数优化的问题用一些特殊的token替代人工构造的自然语言模板让模型自己去学习这些连续的token在学习的过程中只微调这些token的embedding参数并且为了保证token之间的联系并不是随机初始化embedding而是通过lstm层学习这些token的embedding。 3Prefix TuningOptimizing Continuous Prompts for Generation
Prefix Tuning针对不同的模型结构有设计不同的模式以自回归的模型为例不再使用token去作为前缀而是直接使用参数作为前缀比如一个l × d的矩阵P作为前缀但直接使用这样的前缀效果不稳定因此使用一个MLP层重参数化并放大维度d除了在embedding层加入这个前缀之外还在其他的所有层都添加这样一个前缀。最后微调时只调整前缀的参数大模型的参数保持不变。保存时只需要为每个任务保存重参数的结果即可。 4Prompt tuningThe Power of Scale for Parameter-Efficient Prompt Tuning
像GPT3中那种通过人工构造一些token作为前缀输入到模型中因为这些token是从vocab中选择的因此会受到大模型的参数的影响所以要取得好的结果的话人工构造的提示语必须要符合模型训练语料的特性。而Prompt tuning是为Prompt单独生成一份参数在微调的过程中大模型的参数冻结不变只更新Prompt的参数。且文章实验表明对于Prompt的参数使用大模型的vocab中的一些token 的embedding初始化或者使用标签词的嵌入当标签词的token数大于1时对所有token取平均即将一个标签词看作一个整体初始化要比随机初始化的效果要好。此外Prompt的长度对结果也会有影响长度越长效果会越好但随着模型的规模变大不同长度或者不同初始化的Prompt之间的差距会被缩小。
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。
有需要的小伙伴可以点击下方链接免费领取或者V扫描下方二维码免费领取 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】
有需要的小伙伴可以Vx扫描下方二维码免费领取
