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
偏见与公平性评估方法
这部分内容有帮助吗？
- Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings, Tolga Bolukbasi, Kai-Wei Chang, James Y. Zou, Venkatesh Saligrama, Adam Tauman Kalai, 2016 Advances in Neural Information Processing Systems, Vol. 29 (Curran Associates, Inc.) DOI: 10.55917/cbna.2016.92 - 提出了词嵌入关联测试（WEAT），用于量化和缓解词嵌入中编码的社会偏见，特别是性别刻板印象，是内在偏见评估的基础工作。
- Challenges and Approaches for Mitigating Bias and Harm in Large Language Models, Laura Weidinger, John Mellor, Maribeth Smyth, Tom Mellor, Dinah Gloor, Laura Hughes, Leslie Garcia-Amaya, Matthew N. Rahtz, Jonathan F. Simon, Hannah Sheahan, Mario Lucic, Peter S. Park, Javier Snape, Manu Saraswat, M. F. W. Ver Steeg, Geoffrey Irving, Iason Gabriel, 2021 Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 35 (AAAI Press) DOI: 10.1609/aaai.v35i17.17709 - 全面概述了大型语言模型中偏见和危害的挑战，并讨论了各种缓解方法和评估技术。
- Fairness in Machine Learning: A Survey, Ninareh Mehrabi, Fred Morstatter, Nripsuta Saxena, Kristina Lerman, Aram Galstyan, 2021 ACM Computing Surveys (CSUR), Vol. 54 (Association for Computing Machinery (ACM)) DOI: 10.1145/3457607 - 提供了一份关于机器学习中公平性定义、偏见类型和缓解技术的广泛调查，为理解大型语言模型相关概念提供了基础。