【LLM】大语言模型高效微调方案Lora||直击底层逻辑

已于 2023-11-04 00:18:13 修改
阅读量748 收藏
点赞数 1
分类专栏： LLM 文章标签： 语言模型 人工智能 自然语言处理 Lora 高效微调 ChatGLm
于 2023-11-02 16:07:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43332715/article/details/134185024
版权

大白话: 

DL的本质就是矩阵的乘法，就能实现LLM,

假设两个矩阵都很大，一个mxn,一个nxd的矩阵，m,n,d这几个数字可能几千甚至上万的场景，计算起来代价很大，如果我们可以small 这些数字，缩小到10甚至5这样的scenario，cost就非常的小。

训练的时候只训练 右边橙色的AB矩阵

那么基于什么理论，我们可以这么搞呢？ 

 

 

 

 

目前看到讲解最好的博客，难怪点赞数也很高，细节都在里面，比如为什么要low-rank,理论基础是什么，并且还有发散，数学上的内容也比较友好。

【OpenLLM 006】LoRA:大模型的低秩适配-最近大火的lora到底是什么东西？为啥stable diffusion和开源ChatGPT复现都在用？ - 知乎 (zhihu.com) 

Reference

深入浅出剖析 LoRA 技术原理_lora csdn-CSDN博客

【OpenLLM 006】LoRA:大模型的低秩适配-最近大火的lora到底是什么东西？为啥stable diffusion和开源ChatGPT复现都在用？ - 知乎 (zhihu.com)

PaperReading-“Intrinsic Dimension” - 知乎 (zhihu.com) //中科大少年班的孩子写的，挺不错的

思考实践
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【从零开始大模型开发与微调】AI 人工智能大语言模型 LLM：语言与思维——实践的融合
禅与计算机程序设计艺术
07-04 1174
在人工智能领域，大语言模型（Large Language Models, LLMs）已经取得了令人瞩目的成就。这些模型基于深度学习，通过在大量文本数据上预训练学习语言知识，被广泛应用于各种自然语言处理（NLP）任务，如图像描述、对话系统、翻译、摘要生成等。但这些模型的性能和表现，特别是其对语言和思维的理解，仍存在诸多困惑和疑问。大语言模型（LLMs）：指基于深度学习技术，通过在大量文本数据上预训练学习语言知识，能够理解和生成自然语言的大规模模型。自监督学习。
LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
丨汀、的博客
04-29 386
LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
【AI实战】开源大语言模型LLMs汇总
Zack的博客
06-09 4882
开源大语言模型LLM汇总
垂直领域的大模型应该如何构建？RAG还是微调呢？
python1234_的博客
06-17 830
在构建大型语言模型 （LLM） 应用程序时，开发人员可以通过两种常见方式整合专有数据和特定于领域的数据：检索增强生成 （RAG） 和微调。RAG使用外部数据增强提示，而微调则将其他知识合并到模型本身中。然而，这两种方法的优缺点尚不清楚。论文提出了一个用于微调和 RAG 的管道，并介绍了多种流行的 LLM（包括 Llama2-13B、GPT-3.5 和 GPT-4）的两者的权衡。我们的流程由多个阶段组成，包括从 PDF 中提取信息、生成问题和答案、使用它们进行微调，以及利用 GPT-4 评估结果。
【LLM大模型】聊聊大模型的微调实现及其应用
AAI666666的博客
07-08 660
模型的微调有多种方式，对于入门的来说，一般都是基于官方的文档微调；最近发现很多开源库，其目的就是支持应用多种微调策略来微调模型，简化模型的微调门槛。比如。其架构逻辑如下：最近试玩了这两个框架，个人觉得蛮好的，先不说实际的调试效果，这取决于多种因素，总的来说还是很方便快捷的。方便快捷的基于多种微调策略调试LLM；同时支持多种数据集类型。基于个人使用及学习的角度，介绍了微调框架的概述及其应用。在这里面的道道还是蛮多的，有一定的大模型知识再基于这些库去做参考去做应用，将极大的降低LLM的应用门槛。
高效微调 LoRA 系列，实现不同领域知识专家混合模型
2401_85343303的博客
06-22 811
X-LoRA框架的提出是一个重大的创新，它为大型语言模型的适应性和扩展性开辟了新的路径。其能够动态混合不同领域的专家知识，为解决复杂、跨学科问题提供了强大的工具。然而，关于如何更有效地设计针对特定目的的训练数据，以及如何深化对模型内部混合机制的理解，仍是未来研究的关键挑战。此外，随着对抗性交互模型的进一步发展，可能会引发更多关于模型生成能力的突破。对于模型的未来改进，可以考虑增加模型间交互的复杂度，引入更多验证手段如物理模拟或代码执行，以提高模型的真实世界应用价值。
X-LoRA：高效微调 LoRA 系列，实现不同领域知识专家混合模型
yumuing‘s blog
06-21 1242
X-LoRA框架的提出是一个重大的创新，它为大型语言模型的适应性和扩展性开辟了新的路径。其能够动态混合不同领域的专家知识，为解决复杂、跨学科问题提供了强大的工具。
大语言模型原理与应用实践：基于监督学习进行微调 Supervised Learning & Fine-Tuning
禅与计算机程序设计艺术
07-08 990
近年来，随着深度学习技术的快速发展，大规模语言模型(Large Language Models, LLMs)在自然语言处理(Natural Language Processing, NLP)领域取得了巨大的突破。这些大语言模型通过在海量无标签文本数据上进行预训练，学习到了丰富的语言知识和常识，可以通过少量的有标签样本在下游任务上进行微调(Fine-Tuning)，获得优异的性能。其中最具代表性的大模型包括OpenAI的GPT系列模型、Google的BERT、T5等。
整理了上百个开源中文大语言模型，涵盖模型、应用、数据集、微调、部署、评测_基于大语言模型的网络自动配置平台的设计与开发
2401_84208172的博客
07-24 923
自ChatGPT为代表的大语言模型（Large Language Model, LLM）出现以后，由于其惊人的类通用人工智能（AGI）的能力，掀起了新一轮自然语言处理领域的研究和应用的浪潮。尤其是以ChatGLM、LLaMA等平民玩家都能跑起来的较小规模的LLM开源之后，业界涌现了非常多基于LLM的二次微调或应用的案例。本项目旨在收集和梳理中文LLM相关的开源模型、应用、数据集及教程等资料，目前收录的资源已达100+个！
最全的开源 LLM （大语言模型）整理.zip
09-04
6. **预训练与微调**：大部分大语言模型都是先通过无监督学习进行预训练，然后在特定任务上进行微调，以适应不同应用场景。 7. **模型评估**：评价LLM的常用指标包括困惑度（Perplexity）、BLEU分数、ROUGE分数等，...
一个基于 Java 的 LLM（大语言模型）应用开发框架
06-29
这个框架的出现，使得开发者能够利用Java这一广泛使用的编程语言，更高效地构建和部署LLM（大语言模型）相关的应用程序。 LLM，全称为Large Language Model，是一种经过大规模数据训练的语言模型，它可以理解和生成...
大型语言模型 (LLM)全解读.pdf
01-30
总结来说，大型语言模型是深度学习在自然语言处理领域的革命性成果，它们通过大规模训练和微调，能够理解并生成复杂的文本，为众多应用场景提供了强大的支持。随着技术的发展，我们可以期待未来LLM在更多领域展现出...
大模型应用-大语言模型高效转发服务-优质项目实战.zip
03-26
在当前的IT行业中，大语言模型（LLM，Large Language Models）的应用正逐渐成为技术热点。本项目实战主要关注如何高效地实现大语言模型的转发服务，以优化用户体验并提高系统的处理能力。以下是对这个主题的详细阐述...
常见的文心一言的指令
知码客
07-25 2083
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
和数集团十周年庆典：新起点、新目标、新征程
Likelib的博客
08-01 898
在十周年庆典这个特殊的日子，和数集团对在市场开拓、客户服务等方面具有突出表现的个人进行了表彰。
Transformer 架构告诉我们什么？
2401_85233349的博客
08-01 1200
在传统的心理语言学方法中，人类语言是用可解释的模型来解释的，这些模型将符号元素（例如名词、动词、形容词、副词等）与基于规则的操作相结合。从几何上讲，它们之间的夹角越小，余弦值和点积就越大，并且这两个词在特定上下文中的相关性就越高，就像在高维空间中表示的那样。，Transformer 作为过度参数化的简单模型所展现出的蛮力学习，与进化过程类似，都是“简单而简约的”。下面是一个简单的示例，展示了词向量的基本概念。有趣的是，A 和 B 的相关系数也是角度的余弦（见上文 (2) 和 (3) 的公式）。
常用的机器学习模型的不同调用方式
最新发布
weixin_71458119的博客
08-01 902
不同机器学习方法的调用
带并行卷积的水下图像背景前景分割方法
renhongxia1的博客
07-30 1228
图6，7为不同照度条件下水下图像及在不同分割方法的实验结果，其中第1，4行的原始图像为13.826 lx照度下采集的，第2，5行为6.947 lx照度下采集的，第3，6行为0.925 lx照度下采集的。在进行图像采集时，图6，7中，目标距离采集设备分别为1.4，1 m。图5是相机距目标1.4 m处采集的图像，图5a）为空气中的图像，图5b）为照度为13.826 lx条件下采集的水下图像，图5c）为照度为6.947 lx条件下采集的水下图像，图5d）为照度为0.925 lx条件下采集的水下图像。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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