趋近智
大型语言模型的微调与调整
章节 1: 大型语言模型适应原理
回顾：预训练语言模型和Transformer
微调和适配的必要性
自然语言处理中的迁移学习方法
微调时的架构考量
微调方法概述
章节 2: 微调数据准备
指令微调原则
指令数据集的获取与构建
监督微调（SFT）的数据格式化
域适应数据要求
数据稀缺与不平衡的处理
文本数据扩充技术
实践：准备指令微调数据集
章节 3: 全参数微调
全参数微调的机制
设置训练循环
超参数调优策略
防止过拟合的正则化方法
计算资源管理
检查点保存与训练恢复
动手实践：全参数微调较小规模的LLM
章节 4: 参数高效微调 (PEFT) 方法
参数高效性的原理
低秩适配 (LoRA)
量化低秩适配 (QLoRA)
适配器模块
提示调整
前缀微调
PEFT 方法比较
使用 Hugging Face PEFT 库进行实现
动手实践：使用 LoRA 进行微调
实操：使用QLoRA进行微调
章节 5: 高阶微调策略
多任务微调
顺序适应与持续学习
减轻灾难性遗忘
人类反馈强化学习 (RLHF) 介绍
奖励模型训练
使用 PPO 进行策略优化
高级适应中的挑战
章节 6: 微调模型的评估与分析
传统自然语言处理评估指标的局限性
评估指令遵循能力
评估事实准确性和幻觉
偏见与公平性评估方法
鲁棒性评估（对抗性攻击、分布外数据）
模型校准评估
定性分析与错误分类
人工评估规范
实践：分析模型输出中的错误
章节 7: 优化与部署考量
训练时的内存优化
使用分布式策略加速训练
微调后优化：量化
微调后优化：剪枝
合并 PEFT 适配器
模型序列化与打包
推理服务框架
生产环境中微调模型的监控
量化低秩适配 (QLoRA)
这部分内容有帮助吗？
- QLoRA: Efficient Finetuning of Quantized LLMs, Tim Dettmers, Artidoro Pagnoni, Ari Holtzman, Luke Zettlemoyer, 2023 arXiv preprint arXiv:2305.14314 DOI: 10.48550/arXiv.2305.14314 - 介绍QLoRA的原创论文，详细阐述了4位NormalFloat（NF4）量化、双重量化和分页优化器，以实现高效的LLM微调。
- LoRA: Low-Rank Adaptation of Large Language Models, Edward J. Hu, Yelong Shen, Phillip Wallis, Zeyuan Allen-Zhu, Yuanzhi Li, Shean Wang, Lu Wang, Weizhu Chen, 2021 arXiv DOI: 10.48550/arXiv.2106.09685 - 介绍了低秩适应（LoRA）方法，这是QLoRA的基础，展示了大型语言模型参数高效的适应技术。
- bitsandbytes GitHub Repository, bitsandbytes-foundation, 2024 - bitsandbytes的官方软件仓库，该库提供优化的CUDA函数，用于8位和4位量化，包括QLoRA中使用的NF4、双重量化和分页优化器。
- Parameter-Efficient Fine-tuning (PEFT) library documentation, Hugging Face, 2024 - Hugging Face PEFT库的官方文档，提供了实现如QLoRA等参数高效微调方法的指南和API参考。