知识卡片
微调通过已有能力提高样本效率
微调在已有模型基础上继续训练,把此前学到的表示和能力迁移到目标任务。相比从头训练,可以用较少目标样本达到需要的表现;前提是基座已有相关能力且训练数据适合任务。样本少并不意味着可以省略质量控制与评估。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 微调
原书出处 · 1 处
- · 查看原书依据
微调是实现迁移学习(transfer learning)的一种方式。迁移学习这一概念最早由Bozinovski和Fulgosi于1976年在论文“The Influence of Pattern Similarity and Transfer of
参考来源
- 位置:《AI工程:大模型应用开发实战》第7章《微调》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section015.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:微调是实现迁移学习(transfer learning)的一种方式。迁移学习这一概念最早由Bozinovski和Fulgosi于1976年在论文“The Influence of Pattern Similarity and Transfer of