长沙高校网站制作公司网站的seo方案
引言
今天带来一篇参数高效微调的论文笔记，论文题目为 基于Transformer掩码语言模型简单高效的参数微调。
BitFit，一种稀疏的微调方法，仅修改模型的偏置项(或它们的子集)。对于小到中等规模数据，应用BitFit去微调预训练的BERT模型能达到(有时超过)微调整个模型。对于大规模数据，该方法能与其他稀疏微调方法竞争。
证明了微调主要是暴露由语言建模训练引发的知识，而不是学习新的任务特定的语言知识。
总体介绍
作者提出了一个简单但高效的方法进去微调，有以下优点：
- 每个微调的任务仅修改少量参数；
- 每个任务修改同样的参数集；
- 被修改的参数在整个参数空间中既孤立又局部化的；
- 对于少到中等规模数据，修改这些参数能达到全量微调效果，有时甚至还会超越后者；
作者证明了固定网络的大部分参数，仅修改偏置项的参数能达到惊人的效果。如果能允许一些性能上的损失，甚至只需要修改两处偏置项(query和MLP中间的偏置项)，这些被改变的参数约占模型中偏置参数的一半，并且仅占所有模型参数的0.04%。
背景知识
理想的情况是希望有一种微调方法具备以下特点：
- 能够与完全微调的模型的结果相匹配；
- 仅改变模型的一小部分参数；
- 能够流式访问任务，而不需要同时访问所有数据集；
- 在高效硬件部署中，希望参数修改的参数集在不同任务之间保持一致；
学习 vs. 暴露 实现上述要求的可行性取决于对大型预训练语