参数高效微调（PEFT）技术概览
在大型语言模型（LLMs）的世界里，参数量庞大，通常在70亿至700亿之间。这些模型的自监着训练成本高昂，对公司可能意味着高达1亿美元的支出。而对于资源相对有限的研究者和公司来说，如何以较低的成本改进这些模型成为了一个关键问题。参数效率微调（PEFT）技术因此应运而生，通过对模型的小部分进行精细调整，实现对特定任务的优化。
Sean Smith在其文章中综合介绍了Hugging Face、谷歌Vertex AI和OpenAI等机构使用的PEFT技术。通过这篇文章，读者能够基本了解PEFT技术的概念，并区分它们之间的不同。
PEFT技术回顾与方法对比：
-
添加法（Additive Methods）：最直接的方法，通过添加额外参数或网络层来增强模型。
- 适配器（Adapters）：在Transformer子层后添加小型全连接网络。
- (IA)³法：通过新参数增强Transformer块以改善注意力机制。
-
软提示（Soft-Prompts）：避免硬编码数据集的创建，采用连续表示法。
- 提示调整（Prompt-Tuning）：通过可学习的张量优化软提示。
- 前缀调整（Prefix Tuning）：与提示调整相似，但适用于模型的所有层。
- P调整（P-Tuning）：使用LSTM编码提示，增强软提示之间的依赖关系。
-
重参数化方法（Reparameterization-Based Methods）：寻找低维表示的权重矩阵。
- LoRa：通过学习较小维度矩阵来更新权重矩阵，减少需要学习的参数量。
-
选择性方法（Selective Methods）：选择某些参数进行更新，不更新其他参数。
- AdaLoRa：结合重参数化和选择性方法的混合方法，通过重要性评分来动态分配参数预算。
文章最后，Smith鼓励读者通过Hugging Face等平台进行PEFT技术实践，旨在帮助读者实现成本效益较高的模型微调。
