简介

由于大型预训练模型的规模，微调大型预训练模型的成本通常高得令人望而却步。参数高效微调 （PEFT） 方法只需微调少量（额外）模型参数而不是所有模型参数，即可使大型预训练模型有效地适应各种下游应用。这大大降低了计算和存储成本。最近最先进的PEFT技术实现了与完全微调的模型相当的性能。

PEFT 与 Transformers 集成，可轻松进行模型训练和推理，与 Diffusers 集成，方便地管理不同的适配器，与 Accelerate 集成，用于大型模型的分布式训练和推理。

查看 PEFT 适配器 API 参考部分，了解受支持的 PEFT 方法列表，并阅读适配器、软提示和 IA3 概念指南，详细了解这些方法的工作原理。

快速入门

安装PEFT

从 pip 安装 PEFT：

pip install peft

加载和微调 

通过将基本模型和 PEFT 配置包装在 get_peft_model中，准备使用 PEFT 方法（如 LoRA）进行训练的模型。对于 bigscience/mt0-large 模型，您只训练了 0.19% 的参数！

from transformers import AutoModelForSeq2SeqLM
from peft import get_peft_config, get_peft_model, LoraConfig, TaskType
model_name_or_path = "bigscience/mt0-large"
tokenizer_name_or