原文地址
链接:https://zhuanlan.zhihu.com/p/635848732
思考题
问题1:p-tuning为了解决什么问题?(解决)
答案:该方法的提出主要是为了解决这样一个问题:大模型的Prompt构造方式严重影响下游任务的效果。比如:GPT-3采用人工构造的模版来做上下文学习(in context learning),但人工设计的模版的变化特别敏感,加一个词或者少一个词,或者变动位置都会造成比较大的变化。
问题2:什么是NLU任务?(解决)
答案:自然语言理解,是自然语言处理(NLP)中的一个重要子领域,涉及理解和处理人类语言的语义和语法,以便机器能够从文本中提取有意义的信息。NLU任务通常涉及对文本的深层次理解,包括解析句子结构、理解上下文、推理隐含意义。
问题3:什么是P-tuning?与prefix tuning有什么区别?(解决)
答案:prefix tuning是在每一层中插入可学习的前缀嵌入序列,而不是直接影响输入,在transformer每一层都添加前缀;
p-tuning是直接在输入层中插入可学习的提示词(软提示),优化这些提示词以提高任务性能,仅在输入层进行更改,在其他层没有操作。
问题4:P-tuning v2的原理是怎么样的?(解决)
答案:P-tuning v2不仅仅在输入层添加软提示,还可以在模型的多个中间层或特定层添加这些提示。这种多层次的提示优化使得模型能够更好地捕捉复杂的语义信息。
问题5:prompt-tunin、prefix tuning、p-tuning和p-tuning2有什么区别和联系?(解决)
答案:p-tuning可以看作是prompt-tunin的发展;p-tuning2可以看作是prefix tuning的发展
问题6:文章主要讲了什么内容?文章结构是什么样的?(解决)
答案:文章主要讲了p-tuning和p-tuning是什么,以及原理是什么,和前一篇的对比。结构上也是这样的。