开源大模型火了！(附99个大模型微调模型/数据/工具)!
免费扫描参与课程（附老师ppt原稿&100+大模型论文）
领99个大模型微调模型/数据/工具
（文末有福利）
导师推荐100+大模型论文合集
我们邀请了清华大学博士，AI顶会审稿人青山老师为大家带来——惊艳的大模型高效参数微调法！来和大家聊一聊有关大模型微调的方法、未来趋势及创新点！
免费扫描参与课程（附老师ppt原稿&100+大模型论文）
领99个大模型微调模型/数据/工具
（文末有福利）
讲师介绍—青山老师
▪️研究领域：工业故障诊断、医学图像分割、医学多模态问答、不平衡学习、小样本学习、开集学习和可解释性深度学习等。
▪️共发表20余篇SCI国际期刊和EI会议论文，包括一区期刊IEEE Transactions on Industrial Informatics (影响因子11.648)，Applied Soft Computing (影响因子8.263)，Neurocomputing (影响因子5.779)， ISA Transactions (影响因子5.911)，Journal of Intelligent Manufacturing (影响因子7.136) 等。论文引用200+。
▪️长期担任人工智能顶级会议AAAI等审稿人， Neurocomputing，Expert Systems with Applications等国际顶级期刊审稿人。
Prefix-tuning和P-tuning通过引导模型生成过程，使模型能够更准确地满足任务需求。
Adapter技术通过添加轻量级的适配器层，实现了快速的任务适应和灵活性。
Low-Rank Adaptation（LoRA）通过低秩近似减少模型参数量，提高模型的效率和部署可行性。
REcurrent ADaption（READ）在保持较高质量模型微调效果的同时，可以节省56％的训练显存消耗和84％的GPU使用量。
免费领99个微调数据/模型/工具
▪️58个开源的微调数据
▪️18个开源垂直微调模型
▪️23个开源的指令微调与强化工具
（文末有福利）
PEFT 方法可以分为三类，不同的方法对 PLM 的不同部分进行下游任务的适配：
Prefix/Prompt-Tuning ：在模型的输入或隐层添加 k 个额外可训练的前缀 tokens（这些前缀是连续的伪 tokens，不对应真实的 tokens），只训练这些前缀参数； Adapter-Tuning ：将较小的神经网络层或模块插入预训练模型的每一层，这些新插入的神经模块称为 adapter（适配器），下游任务微调时也只训练这些适配器参数； LoRA ：通过学习小参数的低秩矩阵来近似模型权重矩阵 W 的参数更新，训练时只优化低秩矩阵参数。
作为一个科研小白，怎么发表一篇大模型微调相关的优质论文？
为了论文，大家都在努力地设计新网络、新策略、新training算法，只要能够在某一问题上做到一个很好的performance，论文就水到渠成。而想要快速达到，来自前辈的指点不可或缺。
一个好的指导老师的作用是，没有课题，能够结合所在课题组具体情况，结合最近热门研究方向，帮你规划课题，如果有了课题而缺少创新方向，老师能够快速帮你找到几种切入点，几种框架，甚至连需要读哪些文献都帮你想好了......
扫描二维码
获取学术大咖科研指导
（文末有福利）
文末福利
微信扫码关注该文公众号作者