作者信息
【原文作者】 code路漫漫
【作者简介】 分享学习路上的经历
【微 信 号】 gh_10b06ffb0f2b
文章摘要
【关 键 词】 生成式AI、预训练、微调、Transformer、Prompt工程
LLM溯源
Large Language Models（LLMs）是深度学习领域的一个重要分支，它们属于生成式AI的范畴，能够创造文本、语音、视频等内容。LLMs通过预训练来掌握通用知识，然后通过微调来适应特定任务，类似于对狗进行基本训练和专业训练的区别。
LLM的特点
LLMs的特点在于它们庞大的训练数据集和参数数量。目前开源的最小LLM拥有70亿个参数，这些参数存储了模型所需的知识。训练LLM的成本很高，因此通常先训练一个基础模型来解决一般性问题，再针对特定任务进行微调。
使用LLM的好处
LLMs的出现基于这样一种思想：是否可以训练一个强大的模型来解决多种任务。基础LLM可以用于文本分类、问题回答和内容生成等任务，而针对特定任务的优化只需要少量数据和微调，这大大节省了成本。此外，数据量和参数量越多，模型的能力也越强大。
LLM的结构
LLMs技术基于Transformer架构，通过扩展数据量和参数量，并堆叠多个Transformer层来增强性能。Transformer最初用于解决序列到序列任务，如机器翻译和文本摘要，它由编码器和解码器组成。不同公司根据自己的研究重点，发展出Encoder-Only、Decoder-Only和Encoder-Decoder三种流派。
LLM的发展历程
随着深度学习的发展，我们不再需要像传统编程那样定义一个猫，而是可以通过文本或图片让计算机判断输入是否是猫。LLM的出现进一步简化了这一过程，我们只需向LLM提问即可获得答案。
Prompts
Prompt Engineering是LLM中的一个重要概念，它指的是通过精心设计的提问来引导LLM生成更高质量的答案。Prompt为LLM提供了上下文和规范，使其在特定领域的创作质量更高。Prompt的使用场景包括解决一般性问题、特殊任务和多轮对话。
Fine Tuning
微调是优化LLM在具体任务上表现的关键步骤。由于LLM的参数数量庞大，研究者提出了各种”参数高效的微调方法”，包括Prompt Tuning、Adapter Tuning和Head Tuning，这些方法都旨在减少需要更新的参数数量，使微调更加高效。
原文信息
【原文链接】 阅读原文
【原文字数】 2069
【阅读时长】 7分钟
