大模型LoRA微调调参的实战技巧

本文主要是介绍大模型LoRA微调调参的实战技巧，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

  大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

  本文主要介绍了大模型LoRA微调调参的实战技巧，希望对学习大语言模型的同学们有所帮助。

1. 前言

  在之前博客中介绍了LLaMA Factory单机微调的实战教程和
LLaMA Factory多卡微调的实战教程。不少小伙伴根据博客的内容，已经跑通了整个流程，但使用个人的数据微调后，要么是无法达到预期的效果（拟合训练集），要么就是造成了模型灾难性遗忘，即模型失去了以往的通用能力。

  之所以造成上述结果，无非两个原因，要么是参数选择不合适，导致模型出现了欠拟合或者过拟合的结果。要么就是数据集不合适，比如过少的数据集就容易造成模型的过拟合现象。

  今天以参数选择(调参)为主题来给大家进行实战分享，希望能对大家的实战有所帮助，早日成为一名

这篇关于大模型LoRA微调调参的实战技巧的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---