微调方法

Fine-tuning

全部微调（Fine-tune all layers）：将预训练模型的所有层（包括输入层和输出层）都重新训练，以适应新的任务。这种方法需要大量的数据和计算资源，但通常可以获得更好的性能。
冻结部分层（Freeze some layers）：在预训练模型的基础上，将其中一些层保持不变，只微调最后几层以适应新任务。这种方法可以加速训练，并减少对计算资源的需求，但可能会影响性能。
逐层微调（Layer-wise fine-tuning）：在预训练模型的基础上，对每一层分别进行微调，以适应新的任务。这种方法可以减少对计算资源的需求，并获得更好的性能，但需要更多的时间。
动态微调（Dynamic fine-tuning）：在预训练模型的基础上，通过动态地选择微调层，适应不同的任务。这种方法可以在不同任务之间共享权重，以提高效率，并获得更好的性能。

Prefix-Tuning: 在输入前添加一些自定义的文本来指示任务类型，例如在输入序列前加上“translate English to French:”来指示要进行翻译任务。
Control Codes: 在输入序列中使用特殊的控制代码，例如BERT中的[SEP]和[CLS]，来指示任务类型。这些控制代码可以用来将输入序列分成不同的段落，或者用来表示任务类型。
Prompt Engineering: 设计一个特定的prompt，使其与任务类型密切相关。这个prompt可以是一些问题，也可以是一些关键词。例如，在进行情感分类任务时，可以使用“给定以下文本，请分类为正面、中性或负面情感。”
Adapter-based Fine-tuning: 在预训练模型中添加一些任务特定的适配器（adapter）层，以便只微调这些适配器层来进行特定任务。这种方法可以减少微调的参数数量，提高微调效率。
Few-shot Learning: 使用少量的样本数据进行微调，这种方法通常需要使用一些元学习技术，例如MAML或Reptile。