预训练和微调模型的区别（预训练模型 微调）



想了解为什么要微调，首先要知道什么是微调？

微调指的是微调大模型，是在预训练模型(已经训练好的大模型)基础之上，使用少量数据对大模型的全部或部分参数进行调整，以达到在某个领域更好的效果。

举例来说，刚设计好的一个神经网络，就类似于一个从来没上过学的学生，他什么玩意都不懂，只会根据自己的本能去处理问题；

微调来源于迁移学习，所谓的迁移学习就是在已经训练好的模型基础上进行适当的优化或者说强化，这样可以更加合理的利用各种资源。

为什么要微调？

• 训练成本问题
  
• 训练数据问题
  

之所以要进行微调，其实最主要的原因就是成本问题。openAI公司训练GPT模型，一次的成本大概在几百万到上千万美元；换算成人民币就是上千万到上亿的成本。

虽然很多公司使用的大模型不需要有GPT模型那么强大，也不需要上亿的训练成本，但从零开始训练一个大模型，少说也要几百万人民币，这对个人和绝大部分公司来说都是不可接受的。

之所以说对预训练模型的全部或部分参数进行调整是因为，微调分为全量(参数)微调(Full Fine Tuning)和部分(参数)微调——高效微调PEFT(Parameter-Efficient Fine Tuning)，只不过很少有人会进行全量微调。

部分参数微调就是相当于，你进了你们学校的实验班或突击班，去强化学习部分课程。

所以什么情况下适合微调？

• 无法接受训练的成本问题
• 训练数据不足
• 想使用别人已经训练好的开源模型(huggingface上有大量开源模型)
• 数据安全问题，不能接受把数据上传到第三方大模型公司
  

这几种情况比较适合微调，如果不缺钱，又不缺数据，技术又过关；那么自己设计模型，自己训练是最好的方式。

当然，微调也不是万能的，只有在相似的条件下才可以进行微调；比如，一个识别猫狗的预训练模型，你要用人脸数据进行人脸识别微调，这就行不通了。毕竟，猫狗的数据特征和人脸还是有很大差别的。

怎么微调，微调的具体步骤？

前面说了，微调的目的是调整模型的参数，所以本质上和步骤上微调和训练没太大区别，都需要经过数据收集处理，数据加载，正向传播，反向传播优化的过程，然后给模型参数找到一个最优解。

在神经网络的训练过程中，有数据处理，正向传播，反向传播和优化器，如果不了解神经网络训练过程的可以看神经网络的通用训练流程。

而微调就发生在优化器上，训练的过程是优化器根据损失差通过反向传播的方式调整参数；而微调也是通过优化器去调整模型的参数。

基于pytorch框架的神经网络，其微调部分参数的原理就是通过冻结参数，把不需要调整的参数冻结，这样大模型在微调的过程中就只会优化可以被调整的参数。

代码如下所示：

这样，通过微调模型，就可以让预训练模型达到自己想要的效果。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/hd-wfwjg/28153.html