因为想先快速把 llama 模型学习了，所以跳了两次课，这是这两次课的主要内容，后面有时间会补充上的 ～ 主要内容有：一些微调技术（Alpaca、AdaLoRA、QLoRA）、Prefix Tuning、Quantization
1. Alpaca
Alpaca 是一个由斯坦福大学开发的项目，用来微调大型语言模型（LLM）的工具。它基于 Meta 的 LLaMA 模型并通过微调使模型能够更好地完成指令跟随任务。
Alpaca 模型的训练特点：
- 使用类似于 OpenAI 的 InstructGPT 风格的指令-响应数据集。
- 通过成本较低的方式，生成了高质量的训练数据（使用 ChatGPT 来生成指令数据）。
- 在中小规模模型上实现了较好的性能。
2. AdaLoRA (Adaptive LoRA)
AdaLoRA 是 LoRA（Low-Rank Adaptation of Large Language Models）的一种改进方法。LoRA 通过减少需要训练的参数数量，实现高效且低资源消耗的模型微调。AdaLoRA 的关键特点是：
- 自适应性： 动态分配低秩分解的秩（rank）以适应模型不同部分的重要性。
- 高效性： 在保持性能的同时进一步减少参数需求。
- 应用： 在资源受限场景下对大型语言模型进行微调。
3. QLoRA (Quantized LoRA)
QLoRA 是 LoRA 的进一步优化版本，它结合了量化技术，降低了显存占用和计算成本。其特点包括：
- 4-bit 量化： 对基础模型进行 4-bit 量化，显著减少内存和计算需求。
- 结合 LoRA： 在量化后的模型上应用 LoRA 技术进行微调。
- 性能： 在保持模型性能的同时，大幅降低了硬件资源需求。
4. Prefix Tuning
Prefix Tuning 是一种轻量级微调方法，主要用于生成任务（如自然语言生成）。其核心思想是：
- 添加前缀向量： 为语言模型的输入添加可训练的前缀向量，而不修改原始模型参数。
- 参数效率： 仅优化前缀参数，避免了大规模微调整个模型。
- 应用： 在对话生成、机器翻译等任务中表现优异。
5. Quantization
量化（Quantization）是指将模型的权重和计算从高精度（如 32-bit 浮点数）降低到低精度（如 4-bit 或 8-bit）的过程，以加速推理并减少模型大小。常见方法包括：
- Post-Training Quantization (PTQ): 在模型训练完成后进行量化。
- Quantization-Aware Training (QAT): 在训练过程中考虑量化影响，从而提升性能。
Quantization01 和 Quantization02 可能是指不同量化方法或优化策略的比较。
6. Quantization Methods for LLM
这部分可能介绍了针对大型语言模型（LLM）进行量化的具体方法和挑战：
- Static Quantization（静态量化）： 在推理前量化所有权重和激活。
- Dynamic Quantization（动态量化）： 推理时动态地量化激活值。
- Mixed-Precision Quantization（混合精度量化）： 在模型的不同层使用不同的量化精度（如 8-bit 和 16-bit 混合）。