原书出处
大语言模型-基础与前沿 (熊涛)
05 第5章 上下文学习和轻量级微调
t al(2019)通过在Transformer的注意力和FFN层之后添加全连接网络,将这一想法应用于自然语言处理任务。
与Transformer的FFN模块不同,适配器的隐藏维度通常比输入维度小。尽管维度缩小了,但适配器却表现出令人印象深刻的参数效率,表明只需要不到4%的模型总参数就可以实现具有竞争力的性能。
Pfeiffer et al(2020)发现,仅在自注意力层(归一化后)之后插入适配器,就能获得与每个Transform
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/大语言模型-基础与前沿 (熊涛)/_epub-src/EPUB/xhtml/chapter7.xhtml
EPUB SHA-256:1bd3e387da1e881a4b6e0214f2c7df6e30d5cdbd1f602c69fc88edacffe6743d