لورا و PEFT
لورا (تطبیق رتبه پایین)، که توسط هو و همکاران در سال ۲۰۲۲ معرفی شد، و خانواده گستردهتر روشهای تنظیم دقیق پارامتر-کارآمد (PEFT) مدلهای زبان از پیش آموزشدیده بزرگ را با آموزش تنها تعداد کمی پارامتر اضافی به جای هر وزن در مدل، تطبیق میدهند. این امر تنظیم دقیق را با حافظه و محاسبات بسیار کمتر GPU ممکن میسازد و در عین حال مدل اصلی را تا حد زیادی دستنخورده باقی میگذارد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Hu, E. J. et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR. link ↗
- Lester, B. et al. (2021). The Power of Scale for Parameter-Efficient Prompt Tuning. EMNLP. DOI: 10.18653/v1/2021.emnlp-main.243 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Low-Rank Adaptation and Parameter-Efficient Fine-Tuning. ScholarGate. https://scholargate.app/fa/deep-learning/lora-peft
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شبکه مولد تخاصمییادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- Variational Autoencoderیادگیری عمیق↔ compare
- ترنسفورمر بینایییادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →