重庆交通大学官网网站营销推广公司

针对特定任务或领域，以高效方式对预训练大模型进行局部参数优化，在最小化计算成本的同时提升任务性能。核心方法包括参数高效微调技术（如LoRA、Adapter），仅调整少量参数即可实现精准适配。

参数

1. LoRA：低秩矩阵的维度大小。常用 8、16、32、64、128，越大表示适配能力越强，但参数量和显存占用也会增加。
2. target_modules：指定要对模型中哪些模块应用 LoRA 适配。q_proj, k_proj, v_proj, o_proj：Transformer 自注意力机制中的查询（Query）、键（Key）、值（Value）和输出（Output）投影层。gate_proj, up_proj, down_proj：Feed-Forward 网络（FFN）中的门控、上行、下行投影层。
   默认选择所有注意力层和 FFN 层，可以缩小范围（如仅 q_proj, v_proj）以进一步减少参数量。
3. per_device_train_batch_size：每个GPU的批次大小（根据显存调整）
4. gradient_accumulation_steps：梯度累积步数（等效批次大小 = batch_size * steps）
5. warmup_steps：学习率预热步数（避免初始不稳定）
6. max_steps：最大训练步数（覆盖 num_train_epochs）
7. learning_rate：初始学习率（常用 1e-5 到 2e-4）
8. weight_decay：权重衰减系数（防止过拟合）
9. lr_scheduler_type：学习率调度策略（如线性衰减），linear：线性衰减到 0，经典策略。其他选项：cosine（余弦衰减）、constant（恒定学习率）等。

微调框架

1. Hugging Face Transformers + PEFT库：集成LoRA、Adapter等方法，快速实现高效微调。
2. unsloth：集成LoRA、Adapter等方法，快速实现高效微调。

免费算力平台

1. colab+huggingFace，https://colab.google/，需要科学上网。
2. 魔搭社区，https://www.modelscope.cn/。

本地微调框架

1. modelscope+unsloth
2. modelscope+lamma factory

后续文章将逐一介绍以上四种微调方式