大模型应用（八）一文搞懂Fine-tuning，模型微调有啥好处，从理论到实操

前言

我们前面几篇博文中出现的大模型，都是通用的大模型。但在更专业的领域，需要更专业的模型，这就需要用到模型微调的能力。

从NLP范式发展的趋势来看，prompt+模型的方式已经成为主流，prompt learning已经很成熟了，在进行模型微调之前最好确信自己需要这样做。

大模型微调的方法

对于大模型来说，微调有两种路径：

• 全量微调FFT(Full Fine Tuning)。 直接在预训练模型上改动参数
• 高效微调PEFT(Parameter-Efficient Fine Tuning)。 冻结一部分参数，修改一部分

FFT

FFT，类似第三范式中的Fine-tuning，也就是所谓的微调，是在预先训练好的模型的基础上，根据特定领域的数据进行参数调整。

它的特点是，是对全量的参数进行调整，那么有多少个微调，就会产生多少个模型。

再换句话说，它是让模型来适应特定的任务。

关于范式的论文

PEFT

它旨在通过最小化微调参数的数量和计算复杂度，来提高预训练模型在新任务上的性能，从而缓解大型预训练模型的训练成本。

说白了，是为了解决fft的问题

• 消费级显卡的全参数微调在时间上和硬件上不可行
• 全参数微调会损失多样性，出现灾难性遗忘，且下游部署、维护繁琐

PEFT是如何解决的：

• 冻结大部分预训练参数，仅仅更新一部分参数使得模型获得更好的下游任务性能
• 主要的方法包括：引入额外参数、选取部分参数

PEFT实现思路和FFT刚好相反，它是让任务更好的被预训练的模型所理解，看一下它的常用方法，我直接沾的。

PEFT: Prompt Tuning 方法

它的基本原理是在输入文本中添加任务相关的提示信息，以引导模型更好地完成特定任务。

实现方式是在输入序列X之前，增加一些特定长度的特殊Token，以增大生成期望序列的概率。

具体来说，就是将X = [x1, x2, ..., xm]变成，X` = [x`1, x`2, ..., x`k; x1, x2, ..., xm], Y = WX`。

如果将大模型比做一个函数：Y=f(X)，那么Prompt Tuning就是在保证函数本身不变的前提下，在X前面加上了一些特定的内容，而这些内容可以影响X生成期望中Y的概率。

如下图，感兴趣的进论文传送门

PEFT: Prefix Tuning 方法

Prefix Tuning的灵感来源是，基于Prompt Engineering的实践表明，在不改变大模型的前提下，在Prompt上下文中添加适当的条件，可以引导大模型有更加出色的表现。

Prefix Tuning的出发点，跟Prompt Tuning的是类似的，只不过它们的具体实现上有一些差异。

而Prefix Tuning是在Transformer的Encoder和Decoder的网络中都加了一些特定的前缀。

具体来说，就是将Y=WX中的W，变成W` = [Wp; W]，Y=W`X。

Prefix Tuning也保证了基座模型本身是没有变的，只是在推理的过程中，按需要在W前面拼接一些参数。

如下图，感兴趣的进论文传送门

PEFT: 其他

还有很多高效微调的方法，比如LoRA,QLoRA感兴趣可以看看论文。

基于openai，实操Fine-turning

看了上面的内容，其实你会发现，使用不同的方法会的到不同的好处。openai用的prompt微调的方式。

这意味着微调都不是必要的，openai的原文是这么说的：

Fine-tuning improves on few-shot learning by training on many more examples than can fit in the prompt, letting you achieve better results on a wide number of tasks. Once a model has been fine-tuned, you won't need to provide as many examples in the prompt. This saves costs and enables lower-latency requests.

简单说就是，openai的微调只是一种完善prompt的方式，优化few-shot learning

所以它的优点也显而易见：

Fine-turning 的好处

• 能够提供比prompt更高质量的效果
• 能够训练超出prompt范围的示例
• 有效减少prompt的长度，从而降低成本
• 请求耗时更短

微调的方向

我这里微调的一个渣男/渣女模型。

实际上openai的模型都经过了大量的情感训练，我这个微调并不典型，只是因为数据好获取。

prompt如下：

你是一个渣男\\渣女，善于用甜言蜜语哄骗你的另一半

准备数据集

最低的要求是有十条训练样本就可以了。

我这里准备了30条训练数据：

为了看效果，还准备了10条验证数据，这不是必要的

开始训练

训练地址

我这里直接贴个结果：

• 基座模型：gpt-3.5-turbo-0125
• Trained tokens：训练所用tokens
• Epochs：单次训练的轮次，想训得准，则调大。想发散，则调小。
• Batch size：批处理的大小
• LR multiplier：学习率乘数，影响收敛速度
• Training loss：训练损失
• Validation loss：验证损失。越小越好，但如果训练损失很小，验证损失很大，那就过拟合了，反之则欠拟合。

上图是个比较失败的训练，收敛效果并不好，但模型仍然能够从中学习到一些内容。

验证

测试代码传送门

我们固定一个prompt，如下：

你是一个渣男/渣女，善于用甜言蜜语哄骗你的另一半。

先用gpt-3.5-turbo-0125验证一下效果，如下：

• 更像个暖男，还是个话痨

换成我们微调的模型试试，同样的问题效果如下：

• 是不是一下就渣了起来

最佳实践

1. 关于微调的效果： 一般来说先精心设计50多条训练数据，微调一波，看看效果。如果有所收敛，或有好的效果，则说明是个好现象，通过加大数据集可以得到更优的结果。

2. 关于测试数据集，应该尽早构建，这非常有助于模型评测。

3. 一般来说单轮效果会比较好训，多轮效果会差一些。想要做出好的效果，必须要精心处理数据，这十分十分重要，尤其是多轮的训练。

4. 低模型+微调的效果 可以达到类似高模型的效果。但仅限于微调的领域。

5. 对于结构化和非结构化的数据，准确的和非准确的数据，建议先调temperature，尤其是封闭域问题。

6. 微调过的模型，还可以继续微调，所以可以一步一步来。

7. 待补充

尾语

能不微调就不要微调