人工智能大语言模型起源篇，低秩微调（LoRA）
上一篇: 《规模法则（Scaling Law）与参数效率的提高》
序言：您在找工作时会不会经常听到LoRA微调，这项技术的来源就是这里了。
（12）Hu、Shen、Wallis、Allen-Zhu、Li、L Wang、S Wang 和 Chen 于2021年发表的《LoRA: Low-Rank Adaptation of Large Language Models》，https://arxiv.org/abs/2106.09685
现代的大型语言模型在大数据集上进行预训练后，展现了突现能力，并且在多种任务中表现优异，包括语言翻译、总结、编程和问答。然而，如果我们希望提升变换器在特定领域数据和专业任务上的能力，微调变换器是非常值得的。
低秩适配（LoRA）是微调大型语言模型的一种非常有影响力的方法，它具有参数高效的特点。虽然还有其他一些参数高效的微调方法（见下文的综述），但LoRA特别值得一提，因为它既优雅又非常通用，可以应用于其他类型的模型。
虽然预训练模型的权重在预训练任务上是全秩的，但LoRA的作者指出，当预训练的大型语言模型适配到新任务时，它们具有低“内在维度”。因此，LoRA的核心思想是将权重变化（ΔW）分解成低秩表示，这样可以更高效地使用参数。
LoRA 的示例及其性能来自 https://arxiv.org/abs/2106.09685。
（13）Lialin、Deshpande 和 Rumshisky 于2022年发表的《Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning》，https://arxiv.org/abs/2303.15647
现代的大型语言模型在大数据集上进行预训练后，展现了突现能力，并且在多种任务中表现优异，包括语言翻译、总结、编程和问答。然而，如果我们希望提升变换器在特定领域数据和专业任务上的能力，微调变换器是非常值得的。本文综述了40多篇关于参数高效微调方法的论文（包括前缀调优、适配器、低秩适配等流行技术），旨在使微调过程（变得）更加高效，尤其是在计算上。
