前言

什么是模型微调

想象一下，你正在学习如何弹奏一首钢琴曲目。你已经学会了一些基本的钢琴技巧，但你想要更进一步，尝试演奏一首特定的曲目。这时，你会选择一首你感兴趣的曲目，并开始深度练习。

Fine-tuning（微调）在机器学习中也是类似的概念。当我们使用预先训练好的模型（预训练Pre-training）来解决一个特定的任务时，有时我们需要对这个模型进行微调。这意味着我们会在已经训练好的模型的基础上进行进一步的训练，以使其更适应我们的特定任务。

在微调过程中，会使用一小部分与任务相关的数据来训练模型。可以冻结模型的一部分或全部层，只对最后几层进行训练。这样做的目的是保留模型之前学到的通用特征，同时允许模型根据新数据进行适应和调整。

为什么要模型微调

一方面，为了满足领域特定的需求。通过微调，可以根据特定领域的需求来调整模型，特别适合搭建私有知识库。

另一方面，考虑到成本因素，预训练最少也需要上百条A100显卡，而微调单台显卡就能搞定

当前有哪些主流的微调方法

当前主流的LLM模型微调方法有prefix-tuning，p-tuning和lora等方法，其中LORA更注重对特征的解释和理解，而P-Tune更注重对模型参数的微调

官方网址：