在准备好适应所需的必要数据集后，我们现在转向修改预训练 (pre-training)大型语言模型本身的方法。本章侧重于全参数 (parameter)微调 (fine-tuning)，这种方式是根据新的任务特定数据更新原始模型中的每个权重 (weight)（$\theta$）。

您将学习此过程的核心机制，包括：

• 建立和配置用于微调的完整训练循环。
• 选择合适的超参数 (hyperparameter)（例如学习率（$\eta$）和批处理大小）的策略。
• 如正则化 (regularization)等技术，以防止目标数据集上的过拟合 (overfitting)。
• 管理所需大量计算资源的方法。
• 保存训练进度检查点和恢复任务的最佳实践。

在本章结束时，您将理解全微调的完整工作流程，并通过动手实践获得实际经验，为以后理解更资源高效的方法打下基础。