从五大模块总结P-Tuning及P-Tuning v2 微调技术，近200个小知识点。
【技术回顾】、【P-Tuning技术原理】、【P-Tuning与超大规模模型微调关系】、【P-Tuning价值】、【P-Tuning v2】
可以先去加点油再上车（更好理解4项技术区别和联系！）：
大模型微调技术系列原理：
大模型微调技术——概述
大模型微调技术——LoRA
大模型微调技术——Prefix Tuning 与 Prompt Tuning总结
大模型微调技术——P-Tuning及P-Tuning v2总结

背景回顾

• NLP两大任务：NLU,NLG
• 关于GPT3系列的思考
  – 知识与常识能力
  – （小样本）自然语言理解
• 预训练模型与知识
  – 离散/连续模板 ----》P-Tuning核心思想
  
  
  
  表现不佳：第二个问题：是否仅仅是因为基于嵌入 的分类方法 并不适合GPT?

P-Tuning技术原理

• 关于“模板”的理解
• 关键技术
• 细节：增强相关性、Adapter的角度来理解P-tuning
• 和其他微调技术的联系：与Prefix-Tuning的区别 、与Prompt-Tuning的区别

“模板”的理解

关键技术 与 具体细节

和其他微调技术的联系

P-Tuning与超大规模模型微调关系 及 P-Tuning价值

P-Tuning v2

• 提出的背景与目标
• 关键技术
• 小结
  
  
  
  参考资料：
  https://zhuanlan.zhihu.com/p/391992466
  https://zhuanlan.zhihu.com/p/364141928
  https://zhuanlan.zhihu.com/p/423902902
  https://zhuanlan.zhihu.com/p/635848732
  https://zhuanlan.zhihu.com/p/642119029

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！