LoRA и PEFT
LoRA (Low-Rank Adaptation), представленный Hu et al. в 2022 году, и более широкое семейство методов параметрически эффективной дообучки (PEFT) адаптируют большие предобученные языковые модели к новым задачам, обучая лишь небольшое количество дополнительных параметров вместо каждого веса в модели. Это делает дообучку возможной при значительно меньших затратах видеопамяти и вычислительных ресурсов, оставляя исходную модель в значительной степени неизменной.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Low-Rank Adaptation and Parameter-Efficient Fine-Tuning. ScholarGate. https://scholargate.app/ru/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.
- Генеративно-состязательная сетьГлубокое обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Вариационный автокодировщикГлубокое обучение↔ compare
- Vision TransformerГлубокое обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →