以下是关于高效微调技术 - LoRA 全量微调与少量参数微调的相关信息：
LoRA 微调：
全量参数微调：
此外，关于微调还有以下补充信息：
目前除了传统的全量训练和 freeze 冻结某些层方式，还发展出了很多种高效的微调方法，如 LoRA、Prefix Tuning、P-Tuning、Prompt Tuning、AdaLoRA、(IA)3、MultiTask Prompt Tuning 等。本篇主要采用 LoRA 方式，主要思路是训练一个参数量较小的分支，然后再与底模合并，从而在模型中注入新的知识。
LoRA微调脚本见：[train/sft/finetune_lora.sh](https://github.com/LlamaFamily/Llama-Chinese/blob/main/requirements.txt)，关于LoRA微调的具体实现代码见[train/sft/finetune_clm_lora.py](https://github.com/LlamaFamily/Llama-Chinese/blob/main/train/sft/finetune_clm_lora.py)，单机多卡的微调可以通过修改脚本中的--include localhost:0来实现。[heading6]全量参数微调[content]全量参数微调脚本见：[train/sft/finetune.sh](https://github.com/LlamaFamily/Llama-Chinese/blob/main/train/sft/finetune.sh)，关于全量参数微调的具体实现代码见[train/sft/finetune_clm.py](https://github.com/LlamaFamily/Llama-Chinese/blob/main/train/sft/finetune_clm.py)。[heading5]Step4:加载微调模型[heading6]LoRA微调[content]基于LoRA微调的模型参数见：基于Llama2的中文微调模型，LoRA参数需要和基础模型参数结合使用。通过[PEFT](https://github.com/huggingface/peft)加载预训练模型参数和微调模型参数，以下示例代码中，base_model_name_or_path为预训练模型参数保存路径，finetune_model_path为微调模型参数保存路径。[heading6]全量参数微调[content]对于全量参数微调的模型，调用方式同模型调用代码示例，只需要修改其中的模型名称或者保存路径即可。
我还想说几句关于微调的话题。你可以通过提示工程取得很大进展，但也可以考虑微调你的模型。现在，微调模型意味着你实际上要改变模型的权重。在实践中做到这一点变得越来越容易，这是因为最近开发了许多技术，并为这些技术建立了代码库。例如，像LoRA这样的参数高效微调技术确保你只训练模型的小部分稀疏片段。模型的大部分被保持在基础模型的状态，只有一部分被允许改变。实际上，这仍然效果相当好，使得只调整模型的小部分变得成本更低。此外，由于你的模型大部分是固定的，你可以用非常低的精度来计算那些部分，因为它们不会被梯度下降法更新。这也使得整个过程更为高效。此外，我们有许多开源的高质量基础模型，就像我刚才提到的。我认为LLaMA很好，虽然我认为现在它还没有获得商业许可。需要记住的一点是，基本上，微调技术上更为复杂。它需要更多的技术专业知识才能做对。它需要人工数据合同承包商的数据集（和/或）可能相当复杂的合成数据流程。这肯定会大大减慢你的迭代周期。我想从高层次上说，SFT（有监督的微调）是可行的，因为你正在继续语言模型任务，这相对简单明了。但是，我会说RLHF（基于人类反馈的强化学习）是非常研究性的领域，甚至更难使之有效工作。因此，我可能不建议有人试图自己制作RLHF实现。这些东西非常不稳定，非常难以训练，目前我认为不是很适合初学者。并且，它也可能仍然在快速变化。
累积了足够的“专业”数据以后，我们就不满足于只采用prompt方式来提取信息，进而可以打造自己的虚拟助手了。目前有两种主流的实现方案，用向量数据库作为仓库，大模型整合信息输出；另一种直接微调训练自己的模型。（不过微调的算力要求比prompt要高很多）除了传统的全量训练和freeze冻结某些层方式以外，最近发展出了很多种高效的微调方法：1.LoRA:LORA:LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS2.Prefix Tuning:Prefix-Tuning:Optimizing Continuous Prompts for Generation,P-Tuning v2:Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks3.P-Tuning:GPT Understands,Too4.Prompt Tuning:The Power of Scale for Parameter-Efficient Prompt Tuning5.AdaLoRA:Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning6.(IA)3:Few-Shot Parameter-Efficient Fine-Tuning is Better and Cheaper than In-Context Learning7.MultiTask Prompt Tuning:Multitask Prompt Tuning Enables Parameter-Efficient Transfer Learning本篇主要采用LoRA方式，主要思路就是训练一个参数量较小的分支，然后再与底模合并，从而在模型中注入新的知识。