人工智能_大模型046_模型微调006_轻量化微调原理_Prompt-Tuning原理_P-Tunning原理_Prefix-Tuning原理_LoRA微调原理_低秩矩阵---人工智能工作笔记0181

本文介绍了轻量化微调的概念,包括Prompt Tuning、P-Tuning和Prefix-Tuning的原理。重点讲解了LoRA微调方法,它通过在Transformer模型的参数矩阵上叠加低秩矩阵来优化模型,尤其对Q和V矩阵进行叠加训练效果显著。此外,还探讨了低秩矩阵在数据压缩和处理中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

然后我们再来看一下,轻量化微调,这个过程,我们微调fine-tunning的过程很相似,

这里再说一遍:

1.首先加载我们的训练数据集,然后对数据进行处理,主要是对数据按特定的个数,拼接输入输出,训练数据主要包含,问题和答案,

2.然后把我们拼接好的训练数据,的文本转换成token ids, 注意 后面的数据规整器就是用来 对数据进行分批处理的,把数据按照batchsize进行划分

3.然后,再去加载tokenizer,对token进行序列化处理,然后,再去

4.加载模型  右边的部分就是训练器训练的过程

5.然后这里多了一块,就是注入参数,注意这里加载模型后,模型原来的参数都是冻结的,在训练过程中是不动的.

6.然后再定义和训练超参数.

然后我们再来看一下这个Prompt Tuning,这个轻量化微调的原理,可以看到

其实就是在他就是在X部分,注意这个X不分,其实就是我们对大模型提问的语句,生成的词向量矩阵,然后,现在我们做的就是

在这个我们的提问句对应的词向量矩阵X的前面,添加了几个P1 P2

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

添柴程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值