← 返回卡片

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

核验版本的摘录快照 · 导入于 2026-11-18T14:25:08.839Z

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

此预览只包含定位所需的摘录和上下文。

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