Tuning ìpele
Ṣiṣatunṣe ìpele jẹ ọna ti o munadoko-paramita lati mu awoṣe ede ti o tutuni mu ṣiṣẹ nipa ikẹkọ eto kekere ti awọn fekito lemọlemọfún ti o ti ṣetan si gbogbo igbewọle Layer.
Akopọ
It lets you customize giant models for new tasks while updating less than 1% of parameters.
Jin Dive
Ṣiṣatunṣe ìpele, ti a ṣe nipasẹ awọn oniwadi Stanford Li ati Liang ni ọdun 2021, ṣe adaṣe oluyipada ti a ti kọkọ tẹlẹ laisi fifọwọkan awọn iwuwo rẹ. Dipo ti itanran-yiyi gbogbo awọn paramita, o prepends a ọkọọkan ti trainable 'foju àmi' (awọn ìpele) si awọn bọtini ati awọn iye ni gbogbo akiyesi Layer. Awoṣe tio tutunini ṣe deede si ami-iṣaaju yii bi ẹnipe o jẹ aaye gidi, ti n ṣakoso ihuwasi rẹ si iṣẹ-ṣiṣe ibi-afẹde kan. Nitoripe awọn olutọpa asọtẹlẹ nikan ni a kọ ẹkọ, o le ṣafipamọ asọtẹlẹ kekere kan fun iṣẹ-ṣiṣe dipo ẹda awoṣe kikun. Eyi jẹ ki sìn ọpọlọpọ awọn iṣẹ ṣiṣe jẹ olowo poku ati yago fun fifun ibi ipamọ ti iṣatunṣe itanran ni kikun. O ṣe daradara daradara lori awọn iṣẹ-ṣiṣe iran bi tabili-si-ọrọ ati akopọ, nigbagbogbo ni ibamu pẹlu atunṣe kikun ni awọn eto data giga.
Imọ-imọ-ẹrọ
Ko dabi yiyi kiakia, eyiti o ṣafikun awọn adaṣe nikan ni ipele ifibọ titẹ sii, iṣatunṣe iṣaju iṣatunṣe ṣe abẹrẹ bọtini ikẹkọ / awọn adaṣe iye sinu gbogbo akiyesi ara ẹni ti Layer transformer. Lati ṣe idaduro ikẹkọ, asọtẹlẹ jẹ ipilẹṣẹ nigbagbogbo nipasẹ nẹtiwọọki ifunni-iwaju kekere kan (ẹtan atunṣe) dipo iṣapeye taara; Nẹtiwọọki yẹn jẹ asonu lẹhin ikẹkọ, nlọ o kan awọn matrices prefix ti kọ ẹkọ. Awọn paramita ìpele iṣaaju wọnyi nikan gba awọn gradients—gbogbo eegun ẹhin wa ni didi.
Ipa Ilana
Iyara ati iwọn
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera.
Wiwọle ati arọwọto
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ.
Awọn ipinnu diẹ sii
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi.
Ojo iwaju ti Iṣatunṣe Iṣaaju
Ṣiṣatunṣe iṣaaju ṣe iranlọwọ lati ṣe ifilọlẹ igbi-itunse-daradara paramita (PEFT) ati pe o jẹ bulọọki ile ni awọn ile ikawe bii Hugging Face PEFT. Bii awọn awoṣe ipilẹ ti ndagba si awọn ọgọọgọrun ọkẹ àìmọye ti awọn paramita, awọn oluyipada iwuwo fẹẹrẹ bii awọn ami-iṣaaju jẹ iwunilori pupọ si iṣẹ iranṣẹ agbatọju pupọ ati isọdi ẹrọ lori ẹrọ. Reti awọn isunmọ arabara ti o tẹsiwaju ti o dapọ awọn ami-iṣaaju pẹlu awọn imudojuiwọn ipo-kekere ara LoRA, ati lilo ti ndagba ni iṣakoso ara, eniyan, ati ihuwasi ailewu laisi ikẹkọ gbogbo awọn awoṣe.
Real-World imuse
Didara GPT-2 ẹhin didi kan fun iran tabili-si-ọrọ nipasẹ ikẹkọ asọtẹlẹ kekere kan lori dataset WebNLG
Nsin awọn dosinni ti awọn aza akojọpọ alabara-pato lati awoṣe pinpin ẹyọkan, ọkọọkan gẹgẹbi faili ìpele swappable
Ṣiṣakoso ohun orin awoṣe ede tabi eniyan fun chatbot lai ṣe atunṣe awọn iwuwo mimọ
Aṣamubadọgba data-kekere, gẹgẹbi ofin tabi iran ọrọ iṣoogun, nibiti iṣatunṣe itanran ni kikun yoo kọja
Awọn ewu & Awọn ọna iṣọ
Awọn otitọ ti a sọ di mimọ le tẹ awọn ijabọ sii ni idakẹjẹ, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii.
Ifamọ kiakia le ṣẹda awọn abajade aisedede kọja awọn ibeere ti o jọra.
Awọn data ọrọ ifarabalẹ le farahan ti awọn idari wiwọle ko lagbara.
Ilana Ilana imuse
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo.
Tesiwaju Ṣiṣawari
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Prefix Tuning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Itọsọna atẹle
Ijusile iṣapẹẹrẹ Fine-Tuning
Awọn ibeere ti a beere nigbagbogbo
What is Prefix Tuning?
Ṣiṣatunṣe ìpele jẹ ọna ti o munadoko-paramita lati mu awoṣe ede ti o tutuni mu ṣiṣẹ nipa ikẹkọ eto kekere ti awọn fekito lemọlemọfún ti o ti ṣetan si gbogbo igbewọle Layer. O jẹ ki o ṣe akanṣe awọn awoṣe omiran fun awọn iṣẹ ṣiṣe tuntun lakoko mimu dojuiwọn kere ju 1% ti awọn aye.
Kini iṣatunṣe iṣatunṣe gangan ṣe ikẹkọ?
Ṣiṣatunṣe ìpele didi eegun ẹhin ati ki o kọ ẹkọ kekere nikan ti awọn olutọpa asọtẹlẹ ti nlọsiwaju, ti o jẹ ki paramita jẹ daradara.
Nibo ni a ti itasi awọn abẹrẹ ìpele?
Yiyi ìpele prependable trainable bọtini / iye fectors ni gbogbo transformer Layer ká ara-akiyesi, ko nikan ni igbewọle.
Tani o ṣe afihan iṣatunṣe iṣatunṣe ati aijọju nigbawo?
Tunṣe iṣatunṣe jẹ idamọran nipasẹ Xiang Lisa Li ati Percy Liang ni Stanford ni ọdun 2021.
Kini idi ti iṣatunṣe iṣaaju jẹ wuni fun ṣiṣe ọpọlọpọ awọn iṣẹ ṣiṣe?
Nitoripe ìpele kekere nikan jẹ iṣẹ-ṣiṣe pato, o tọju faili kekere kan fun iṣẹ-ṣiṣe ju ki o ṣe ẹda gbogbo awoṣe naa.
Ẹtan wo ni igbagbogbo lo lati ṣe iduroṣinṣin ikẹkọ iṣaaju?
MLP kekere kan n ṣe ipilẹṣẹ asọtẹlẹ lakoko ikẹkọ fun iduroṣinṣin, lẹhinna a ju silẹ, nlọ o kan awọn matrices prefix ti kọ ẹkọ.