- 用好大模型的层次：1. 提示词工程(prompt engineering); 2. 大模型微调(fine tuning)
- 为什么要对大模型微调： 1. 大模型预训练成本非常高； 2. 如果prompt engineering的效果达不到要求，企业又有比较好的自有数据，能够通过自由数据，更高的提升大模型在特定领域的能力
- 大模型微调的两个方案：全量微调（full fine tunning） ; 部分参数微调（parameter - effictient fine tuning）
- 全量微调的问题：1. 参数量和预训练相同，消耗大量资源； 2. 灾难性遗忘
- 常见的模型微调路线：1. 监督式微调SFT( Supervised Fine Tuning); 2. 基于人类反馈的强化学习微调RLHF(把人类的反馈通过强化学习的方式，引入到大模型的微调中)； 3. 基于AI反馈的强化学习微调RLAIF（人类反馈成本高）
从成本和效果角度考虑：PEFT是目前业界比较流行的微调方案
- Prompt Tuning: 在输入序列X之前，增加特定长度的特殊Token，发生在Enbedding环节
- Prefix Tuning: 在transformer的encoder和decoder的网络中都加入特定前缀
- LoRA
- QLoRA 量化的LoRA：量化的核心目标是降低成本，降低训练成本，特别是降低后期的推理成本
Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning
比较高效的finetuning方法包括adaptor, prefix-tuning, LoRA
adaptor
prefix-tunning
浅层特征通用性强，深层特征与具体任务的关联性强
finetuning扮演的角色：
- 拿到新数据集后，想要用预训练模型处理的时候，会首先将最后一层全连接层打开，其余层冻结(transfer learning)，看预训练模型在新数据上的效果怎么样，先摸个底，如果效果可以，就考虑打开更多的层，进行fine tuning
- 如果新的数据集和预训练数据集差别很大，一方面考虑从头训练，另一方面考虑打开更多的层，或干脆用预训练模型的参数作为初始值，对模型进行完整的训练
- 模型微调方式
- 固定一部分模型
- 固定全部预训练模型，添加可训练head
- 使用预训练模型推理过程，将数据处理为特征和标签，使用新的特征数据和标签，训练小的head，去进行下游任务(优点：数据特征提取一次可永久使用，特征提取结束后，下游任务和预训练模型无关，除了推理时需要将原有图片处理为特征外)
- 模型全调方式
- 加载预训练模型为模型初始权重，重训练
)
