一文搞懂Fine-tuning，模型微调有啥好处，从理论到实操

程序员维他命

于 2024-08-30 11:45:53 发布

阅读量844

点赞数 16

文章标签：人工智能深度学习 chatgpt 数据库语言模型

本文链接：https://blog.csdn.net/h1453586413/article/details/141714173

版权

前言

我们前面几篇博文中出现的大模型，都是通用的大模型。但在更专业的领域，需要更专业的模型，这就需要用到模型微调的能力。

从NLP范式发展的趋势来看，prompt+模型的方式已经成为主流，prompt learning已经很成熟了，在进行模型微调之前最好确信自己需要这样做。

大模型微调的方法

对于大模型来说，微调有两种路径：

全量微调FFT(Full Fine Tuning)。 直接在预训练模型上改动参数
高效微调PEFT(Parameter-Efficient Fine Tuning)。 冻结一部分参数，修改一部分

FFT

FFT，类似第三范式中的Fine-tuning，也就是所谓的微调，是在预先训练好的模型的基础上，根据特定领域的数据进行参数调整。

它的特点是，是对全量的参数进行调整，那么有多少个微调，就会产生多少个模型。

再换句话说，它是让模型来适应特定的任务。

PEFT

它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。

说白了，是为了解决fft的问题

消费级显卡的全参数微调在时间上和硬件上不可行
全参数微调会损失多样性，出现灾难性遗忘，且下游部署、维护繁琐

PEFT是如何解决的：

冻结大部分预训练参数，仅仅更新一部分参数使得模型获得更好的下游任务性能
主要的方法包括：引入额外参数、选取部分参数

PEFT实现思路和FFT刚好相反，它是让任务更好的被预训练的模型所理解，看一下它的常用方法，我直接沾的。

PEFT: Prompt Tuning 方法

它的基本原理是在输入文本中添加任务相关的提示信息，以引导模型更好地完成特定任务。

实现方式是在输入序列X之前，增加一些特定长度的特殊Token，以增大生成期望序列的概率。

具体来说，就是将X = [x1, x2, …, xm]变成，X` = [x`1, x`2, …, x`k; x1, x2, …, xm], Y = WX`。

如果将大模型比做一个函数：Y=f(X)，那么Prompt Tuning就是在保证函数本身不变的前提下，在X前面加上了一些特定的内容，而这些内容可以影响X生成期望中Y的概率。

PEFT: Prefix Tuning 方法

Prefix Tuning的灵感来源是，基于Prompt Engineering的实践表明，在不改变大模型的前提下，在Prompt上下文中添加适当的条件，可以引导大模型有更加出色的表现。

Prefix Tuning的出发点，跟Prompt Tuning的是类似的，只不过它们的具体实现上有一些差异。

而Prefix Tuning是在Transformer的Encoder和Decoder的网络中都加了一些特定的前缀。

具体来说，就是将Y=WX中的W，变成W` = [Wp; W]，Y=W`X。

Prefix Tuning也保证了基座模型本身是没有变的，只是在推理的过程中，按需要在W前面拼接一些参数。

基于openai，实操Fine-turning

看了上面的内容，其实你会发现，使用不同的方法会的到不同的好处。openai用的prompt微调的方式。

这意味着微调都不是必要的，openai的原文是这么说的：

Fine-tuning improves on few-shot learning by training on many more examples than can fit in the prompt, letting you achieve better results on a wide number of tasks. Once a model has been fine-tuned, you won’t need to provide as many examples in the prompt. This saves costs and enables lower-latency requests.

简单说就是，openai的微调只是一种完善prompt的方式，优化few-shot learning

所以它的优点也显而易见：

Fine-turning 的好处

能够提供比prompt更高质量的效果
能够训练超出prompt范围的示例
有效减少prompt的长度，从而降低成本
请求耗时更短

微调的方向

我这里微调的一个渣男/渣女模型。

实际上openai的模型都经过了大量的情感训练，我这个微调并不典型，只是因为数据好获取。

prompt如下：

你是一个渣男\\渣女，善于用甜言蜜语哄骗你的另一半

准备数据集

最低的要求是有十条训练样本就可以了。

我这里准备了30条训练数据：

为了看效果，还准备了10条验证数据，这不是必要的

开始训练

我这里直接贴个结果：

基座模型：gpt-3.5-turbo-0125
Trained tokens：训练所用tokens
Epochs：单次训练的轮次，想训得准，则调大。想发散，则调小。
Batch size：批处理的大小
LR multiplier：学习率乘数，影响收敛速度
Training loss：训练损失
Validation loss：验证损失。越小越好，但如果训练损失很小，验证损失很大，那就过拟合了，反之则欠拟合。

上图是个比较失败的训练，收敛效果并不好，但模型仍然能够从中学习到一些内容。

验证

我们固定一个prompt，如下：

你是一个渣男/渣女，善于用甜言蜜语哄骗你的另一半。

先用gpt-3.5-turbo-0125验证一下效果，如下：

更像个暖男，还是个话痨

换成我们微调的模型试试，同样的问题效果如下：

是不是一下就渣了起来

最佳实践

关于微调的效果：一般来说先精心设计50多条训练数据，微调一波，看看效果。如果有所收敛，或有好的效果，则说明是个好现象，通过加大数据集可以得到更优的结果。
关于测试数据集，应该尽早构建，这非常有助于模型评测。
一般来说单轮效果会比较好训，多轮效果会差一些。想要做出好的效果，必须要精心处理数据，这十分十分重要，尤其是多轮的训练。
低模型+微调的效果可以达到类似高模型的效果。但仅限于微调的领域。
对于结构化和非结构化的数据，准确的和非准确的数据，建议先调temperature，尤其是封闭域问题。
微调过的模型，还可以继续微调，所以可以一步一步来。
待补充

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓