这两天看大模型微调的材料，发现这个概念是个筐，里面装的东西很多很多。
比如之前认识到的指令遵循数据集，其实它是一种指令微调，是众多微调方式中的一种。也就是说通过指令微调，GPT可以Chat了。所以，微调是微调的GPT，ChatGPT是微调GPT的结果，而不能理解为在ChatGPT基础上进行微调（虽然这种理解在某种层面或某些实际应用上也是对的）。
大模型通过预训练掌握语言结构，学会了说人话，表现形式是文字接龙。
这种接龙是一种“没有感情”、“没有智慧”的机械行为。“微调”是让这种行为，能够符合人类的需求和业务（比如对话需求），让这种机械的接龙游戏变得有“商业”价值。
当然，为了实现价值，也可以不采用微调的方式，而是直接训练可执行相应任务的大模型。但大模型所需的参数量和数据量实在是太巨大了，训练这样一个大模型，只让它执行某项任务（比如对话、翻译、文字摘要等），太浪费。
所以训练一个大模型，再此基础上进行微调，使之可以适应不同的任务，就很有性价比了。
怎么进行微调，看各自本事。微调方式，百花齐放。只要能让大模型机械的接龙行为，按照人类需求去输出下一个字即可。
微调可分为：
全参数微调/全量微调(FFT：Full Fine-Tuning)
参数微调/参数高效微调(PEFT：Parameter-Efficient Fine-Tuning)
全量微调，顾名思义是对大模型预训练阶段的全部参数进行训练，模型的所有层和参数都会被更新和优化，以适应目标任务的需求。
这种方式的优点是直观、简单，能够充分利用任务数据来优化模型。但它的缺点是训练时间长、计算资源消耗大，并且有可能在微调后出现“知识遗忘”问题。就好像老师给学生批改作文，越改越多，把作文内容全改了一遍，虽然结果可能是好的，但老师既花了时间又花了精力，把学生自己偶写的佳句也给改没了，完全没有了学生自己的特色。
参数高效微调，是指在微调过程中保持模型的底层参数不变（参数冻结），只更新模型的顶层或少数几层，以此来适应特定任务。
参数高效微调的方式有很多种，比如网上传播常用的有七种。其发布时间线如下：
模型开源社区Hugging Face，开源的PEFT库目前支持其中5种方法，分别是：
LoRA:
AdaLoRA
Prefix Tuning
Prompt Tuning
P-Tuning
LoRA
英文全称 Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适应。它的做法是冻结预训练好的模型权重参数，然后在每个Transformer块里注入可训练的层，由于不需要对模型的权重参数重新计算梯度，所以，大大减少了需要训练的计算量。
AdaLoRA
AdaLoRA是一种自适应的LoRA方法。基础LoRA没有考虑参数权重，微调时有可能给某些不重要的权重矩阵添加过多参数，导致模型性能下降。AdaLoRA可以根据模块的重要性自适应地分配参数预算，以提高参数高效微调的性能。基础LoRA还有许多变种，比如LoRA+、VeRA、LoRA-fa、LoRA-drop、DoRA、Delta-LoRA等，这些变种都是对基础LoRA的改进。
-
LoRA是对模型的实际参数进行了微调，而Prefix Tuning、Prompt Tuning、P-Tuning这三种方式可理解为是对Prompt的微调。
以下内容也更新下对Prompt的认识（暂时没理解，先记录）：
Prompt 的制作分为手工创建Prompt和自动化生成Prompt，自动化生成Prompt又分为Hard Prompt和Soft Prompt。
（1）Hard Prompt 又称为 Discrete Prompt，它是一个实际的文本字符串。
（2）Soft Prompt 又称为 Continuous Prompt，它是直接在底层语言模型的嵌入空间中进行描述。
Prefix Tuning（前缀微调）
Prefix Tuning 是在输入token之前构造一段任务相关的虚拟token（virtual token）作为前缀，这些前缀是可训练（Embedding）的向量。作为模型内部表示的一部分，可以分布在模型的每一层，它与输入序列一起输入到预训练模型中，训练时通过调整前缀向量来适应特定的任务，无需改变模型本身的参数。
Prompt Tuning（提示微调）
这种方式可以看作是Prefix Tuning的简化版本，它给每个任务定义了自己的Prompt，然后拼接到数据上作为输入。它通常只涉及输入层，而没有使用额外的编码层或任务特定的输出层，可以理解为只是模仿自然语言Prompt的形式。
P-Tuning
P-Tuning v1版本
同Prefix Tuning类似，P-Tuning也设计了一种连续可微调的虚拟token（virtual token）。区别是P-Tuning的虚拟token仅限于输入层，而不是每一层，但它的插入位置是可选的，不一定是前缀。
P-Tuning v2版本
P-tuning v2重要的改进之一是将虚拟token应用于预训练模型的每个层，而不仅仅是输入层。相比较来说Prefix Tuning和P-Tuning v2技术本质等同，只是前者更适用于NLG（自然语言生成），后者适用于NLU（自然语言理解）。
Adapter Tuning
除了从参数调整角度理解微调的概念，优化模型的输出，还有另外一种技术，即Adapter Tuning。
这种方式是在模型的每个层或选定层之间插入小型神经网络模块，即“Adapter（适配器）”。这些Adapter是可训练的。Adapter Tuning 的理念是通过这些添加额外的Adapter提高模型的微调效果和效率。
Adapter Tuning 既可以解决全量微调的低效，又解决了部分微调难以达到较好效果的问题。但它的问题是会导致模型整体的层数变深，耗费额外的运算量在这些Adapter上，从而拖慢了训练速度和推理速度。
Adapter Tuning 可以和Prefix Tuning等方式结合，因为Adapter本身就是一种神经网络，参数高效微调的方式自然也可以用于调整Adapter中的参数。
很多方式都可以理解为是一种Adapter，它应用于模型的不同位置，大致可分为5类：
Houlsby
BitFit
AdapterBias
Prefix Tuning
Lora
Houlsby
Houlsby N等人提出的Adapter方法，常规意义上理解的，在预训练模型每一层(或某些层)中添加Adapter模块，微调时冻结预训练模型主体，通过训练Adapter模块的参数来适应特定下游任务。
BitFit
BitFit是一种基于权重剪枝的微调方法。在训练过程中，BitFit通过对模型参数进行量化，减少模型大小和计算复杂度，从而提高训练速度和模型性能。具体来说，BitFit通过对权重矩阵进行二进制编码，将浮点数权重替换为二进制权重。这种二进制权重能够大大减少模型存储需求和计算量，同时保持模型性能。
AdapterBias
AdapterBias提供了一种参数效率更高的微调方法，AdapterBias通过在模型的每层输出中加入一个小的基于token的调整量（一个向量和一个线性层），以减少训练参数，使模型更好地适应特定的任务。
大模型微调的主要步骤：
1. 数据准备：搜集并整理与目标任务相匹配的训练数据，确保数据质量，进行清洗和预处理。
2. 模型选择：根据任务特性和数据特征，挑选合适的预训练模型。
3. 方案制定：基于任务目标和资源状况，决定微调的深度和广度，选择是进行全面还是局部的参数更新。
4. 超参数配置：设定训练过程中的关键超参数，包括学习率、批量大小和训练周期等。
5. 参数初始化：全量微调时保持预训练模型的参数不变，部分微调时，对新增参数进行随机初始化。
6. 执行微调：运用确定的数据和策略进行模型训练，通过优化算法调整参数，以优化损失函数。
7. 性能评估：定期在验证集上评估模型，并根据反馈调整训练策略，以提升模型的准确性和鲁棒性。
8. 最终测试：微调结束后，在测试集上评估模型，确保其满足实际应用的性能要求。
9. 部署应用：将训练完成的模型集成到应用中，并根据实际运行情况进行必要的调整。
