感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程時長 14 時間:
課程簡介
參數高效微調(PEFT)簡介
- 全量微調的動機與局限性
- PEFT 概覽:目標與優勢
- 行業應用場景與案例
LoRA(低秩適配)
- LoRA 的概念與直覺理解
- 使用 Hugging Face 和 PyTorch 實現 LoRA
- 動手實作:使用 LoRA 微調模型
適配器微調(Adapter Tuning)
- 適配器模塊的工作原理
- 與基於 Transformer 模型的整合
- 動手實作:將適配器微調應用於 Transformer 模型
前綴微調(Prefix Tuning)
- 使用軟提示(soft prompts)進行微調
- 與 LoRA 和適配器相比的優勢與局限
- 動手實作:在大型語言模型任務中進行前綴微調
評估與比較 PEFT 方法
- 評估性能與效率的指標
- 訓練速度、內存使用量與準確性之間的權衡
- 基準測試實驗與結果解讀
部署微調後模型
- 保存與載入微調後模型
- 基於 PEFT 模型的部署考量
- 整合至應用程序與工作流程中
最佳實踐與延伸應用
- 結合量化與知識蒸餾進行 PEFT
- 在低資源與多語言環境中的應用
- 未來發展方向與前沿研究領域
最低要求
- 了解機器學習基礎知識
- 具備操作大型語言模型(LLMs)的經驗
- 熟悉 Python 和 PyTorch
適用對象
- 數據科學家
- AI 工程師