PEFT中的主流微调方法(LORA、QLoRA、Adapter Tuning、Prefix Tuning、Prompt Tuning、P-Tuning及P-Tuning v2)

迁移学习

微调实际上是迁移学习的一个实例，其中预训练的模型（通常在大型通用数据集上训练）被用作特定任务的起点。

迁移学习（Transfer Learning）是一种机器学习方法，它利用已经在一个任务上学到的知识，来帮助提高另一个相关任务的学习效果。简单来说，迁移学习就是将已有模型（通常是在大型数据集上训练得到的）应用于新的但相关的任务上，以此来改善新任务的性能，尤其是在新任务的数据量相对较少的情况下。

迁移学习的核心思想是，不同但相关的任务之间共享一些有用的信息或特征，因此在一个任务上学到的知识可以迁移到另一个任务上。例如，一个在图片分类任务上学到的模型，可能对新的图片分类任务也有帮助，因为图片识别中的某些特征（如边缘、纹理等）在不同的分类任务中是通用的。

LLM训练的两个阶段

Step 1.预训练阶段

大模型首先在大量的无标签数据上进行训练，预训练的最终目的是让模型学习到语言的统计规律和一般知识。在这个过程中模型能够学习到词语的语义、句子的语法结构、以及文本的一般知识和上下文信息。

需要注意的是，预训练本质上是一个无监督学习过程；得到预训练模型(Pretrained Model)， 也被称为基座模型(Base Model)，模型具备通用的预测能力。如GLM-130B模型、OpenAI的A、B、C、D四大模型，都是基座模型。

Step 2.微调阶段

预训练好的模型然后在特定任务的数据上进行进一步的训练。这个过程通常涉及对模型的权重进行微小的调整，以使其更好地适应特定的任务;得到最终能力各异的模型，例如 GPT 系列、 ChatGLM-6B等模型;

大模型微调

大模型微调指的是“喂”给模型更多信息，对模型的特定功能进行 “调教”，即通过输入特定领域的数据集，让其学习这个领域的知识，从而让大模型能够更好的完成特定领域的NLP任务，例如情感分析、命名实体识别、文本分类、对话聊天等。

微调包括：大模型全量微调（Fine-tuning）、PEFT（Parameter-Efficient Fine-Tuning）

大模型全量微调（Fine-tuning）通过在预训练的大型模型基础上调整所有层和参数，使其适应特定任务。这一过程使用较小的学习率和特定任务的数据进行，可以充分利用预训练模型的通用特征，但可能需要更多的计算资源。

PEFT（Parameter-Efficient Fine-Tuning ）技术旨在通过最小化微调参数的数量和计算复杂度，来提高预训练模型在新任务上的性能，从而缓解大型预训练模型的训练成本。

PEFT包括LORA、QLoRA、Adapter Tuning、Prefix Tuning、Prompt Tuning、P-Tuning及P-Tuning v2等。

下图示例了7个主流微调方法在Transformer网络架构的作用位置和简要说明。

1、