随着大型语言模型的广泛应用，如何高效地将这些模型适配到特定任务中，成为了研究和工程实践中的重要课题。IA3（Infused Adapter by Adding and Adjusting）微调技术，作为参数高效微调的一种新颖方法，提供了在保持模型性能的同时，显著减少可训练参数数量的解决方案。
IA3 微调的基本原理
IA3 的核心思想是在 Transformer 模型的特定位置引入可训练的缩放向量，通过对模型内部的激活值进行抑制或放大，实现对模型行为的细粒度控制。这些缩放向量主要注入到以下三个模块中：
- 键（Key）缩放向量：与自注意力机制中的键相乘，调整注意力的关注焦点。
- 值（Value）缩放向量：与自注意力机制中的值相乘，影响信息的传递强度。
- 中间激活缩放向量：与前馈网络中的中间激活值相乘，调节非线性变换的输出。
通过这种方式，IA3 仅需引入少量的可训练参数，便可在冻结原始模型权重的情况下，实现对模型行为的有效调整 。
IA3 的优势
- 参数高效：相比于全参数微
)
)
：基于PyTorch的ResNet改进方案详解：Mish激活+SPP模块+MixUp数据增强)
)
