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
获取和选择高质量数据集
这部分内容有帮助吗？
- Datasets: A Hugging Face library for accessing and sharing datasets, Hugging Face, 2024 (Hugging Face) - Hugging Face
datasets库的官方文档，该库提供了高效加载、处理和共享机器学习数据集（包括用于微调大型语言模型的数据集）的工具。 - A Survey on Data-Centric AI: From Data to Model, Hongzhi Wang, Peiran Ma, Yanli Li, Donghui Lin, Mengyuan Zhang, Jiancheng Li, 2023 IEEE Transactions on Knowledge and Data Engineering, Vol. 35 (IEEE) DOI: 10.1109/TKDE.2023.3320623 - 这篇综述全面回顾了以数据为中心的人工智能，包括数据质量、数据处理及其对模型性能影响的讨论，与数据集的选择和准备高度相关。
- About The Licenses, Creative Commons, 2024 (Creative Commons) - 解释不同知识共享许可协议及其含义的官方指南，对于理解公共数据集在商业和研究环境中的使用权利至关重要。