大型语言模型（LLMs）微调是一种常用方法，用于使其适应特定任务。然而，修改包含数十亿参数的模型的所有参数（这些参数通常表示为权重矩阵 $W$），会产生大量的计算和内存开销。本章考察了伴随全量微调而来的这些难题。

您将了解到：

• 全量微调具体的内存、计算和存储需求。
• 促使参数高效替代方法不可或缺的因素。
• 奇异值分解（SVD）的数学背景，这与理解 LoRA 等方法有关，LoRA 常用于低秩近似，例如 $M \approx U \Sigma V^T$。
• 各种参数高效微调（PEFT）方法的分类。

这些基础内容将说明为何 PEFT 方法变得不可或缺，并介绍本课程中涵盖的各类技术。