趋近智
大语言模型微调入门
章节 1: 模型定制的根基
什么是微调？
预训练与微调的比较
何时进行微调：一个分析体系
微调策略概述
迁移学习在大型语言模型中的作用
配置开发环境
章节 2: 用于微调的数据准备
获取和选择高质量数据集
指令式与对话式数据格式
数据清洗和预处理技术
构建和组织定制数据集
用于微调的分词
动手实践：构建微调数据集
章节 3: 全参数微调
全参数微调的工作原理
全参数微调的架构考量
计算资源管理
配置训练参数及超参数
监控训练：损失与指标
保存和加载精调模型
实践：小型模型上的全参数微调
章节 4: 参数高效微调 (PEFT)
参数高效微调概述
低秩适应（LoRA）：原理与运作
使用PEFT库实现LoRA
量化及其对微调的影响 (QLoRA)
其他PEFT方法：概述
PEFT与完全微调的优劣对比
动手实践：使用 LoRA 进行微调
章节 5: 评估与部署
界定生成型任务的性能指标
定量评估：ROUGE、BLEU 和困惑度
定性评估：人工参与评估
构建评估流程
将适配器与基础模型合并的方法
为推理准备模型
实践：评估微调模型
数据清洗和预处理技术
这部分内容有帮助吗？
- Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, Wes McKinney, 2017 (O'Reilly Media) - 提供了使用Python的pandas库进行数据处理和数据清洗的实用指南，包括高效的去重技术。第4版。
- A Comprehensive Survey on Data Preprocessing for Deep Learning, Md. Tahmidul Islam, Md. Rakib Hasan, Md. Hasanuzzaman, 2023 SN Computer Science, Vol. 4 (Springer Nature) DOI: 10.1007/s42979-023-01777-6 - 综述了与深度学习相关的多种数据预处理方法，包括文本数据技术，强调了它们对模型性能的重要性。
- The Hugging Face Course: Fine-tune a pretrained model, Hugging Face, 2024 (Hugging Face) - 为大型语言模型微调的数据准备提供了实用指导，涵盖了分词、数据集格式化和特定任务的最佳实践。