随着数据量和计算能力的增加，大模型的参数量也在不断增加，同时进行大模型微调的成本也变得越来越高。全参数微调需要大量的计算资源和时间，且在进行切换下游任务时代价高昂。 本文作者介绍了一种新方法 LoR

碎碎念 不知道哪年辈子订阅的书突然上架了，昨天就熬夜看了一遍，今天跑作者仓库看了一下代码。顺路参加一下金石计划。因为作者代码是两年前的了，有的已经跑不通了，所以改了改。 使用BERT预训练模型 第一节

碎碎念 使用BERT预训练模型中讲了如何使用预训练模型，这次我们看一下如何进行微调。 微调模型 首先，我们学习如何为文本分类任务微调预训练的BERT模型。 举个简单的情感分析的例子。 情感分析是自然语

LangChain Expression Language 既LCEL，是langchain核心中的核心，可以让我们方便的使用最基本的组件构建复杂的chains，并且支持一些开箱即用的功能包括流式输出

随着人工智能（AI）技术的迅猛发展，Fine-tuning作为一项重要而神奇的技术崭露头角。Fine-tuning俗称“微调技术。其本质上是对已有模型进行能力的迁移学习扩展，由于重新训练神经网络模型的

在快速发展的人工智能领域中，高效、有效地使用大型语言模型变得日益重要，参数高效微调是这一追求的前沿技术，它允许研究人员和实践者在最小化计算和资源占用的同时，重复使用预训练模型。

「这是我参与11月更文挑战的第27天，活动详情查看：2021最后一次更文挑战」 Bert模型预训练和微调一起学习