返回资源列表

Sebastian Raschka, PhD(个人网站) · Sebastian Raschka

Understanding Parameter-Efficient Finetuning of Large Language Models: From Prefix Tuning to LLaMA-Adapters

Understanding Parameter-Efficient Finetuning of Large Language Models: From Prefix Tuning to LLaMA-Adapters是Sebastian Raschka, PhD(个人网站)的免费文章(en)。前置条件:需要了解 Transformer/深度神经网络基础,并熟悉 PyTorch 与 Hugging Face Transformers 的基本用法。

理解 LLM 微调的几种常规做法与参数高效微调的原理,并能借助示例代码动手尝试。

打开官方课程
难度
进阶
类型
博客 · 文章
语言
en
规模
1 个课节
内容费用
免费
动手
打开即可学习

使用限制

阅读文章不需要账号;运行配套 notebook 需要自备 Python 环境。

练习与作业
网页未说明本资源需要 GPU 或付费算力(节选亦未提及)
  1. 选择学习环境

    浏览器或在线环境

    先通读正文建立微调方式分类,再逐个跑通特征提取、只调输出层、全量微调三个 notebook,最后读参数高效微调与 LLaMA-Adapter 部分(节选未提供该部分正文,需回到原站阅读)。

    可运行示例代码需具备 Python 环境与 PyTorch、Transformers、Lightning、scikit-learn 等库;网页未说明是否需要 GPU 或其他算力条件。

  2. 准备工具和账号

    标“选用”的可以跳过。

    • 浏览器阅读文章
    • GitHub 选用获取配套示例 notebook
    • Python 环境及 PyTorch、Transformers、Lightning、scikit-learn 等库,用于运行示例代码用于练习与作业

    运行费用:实践费用待核验,网页节选未说明运行示例代码是否需要 GPU 或付费算力。

  3. 让 AI Agent 一次搭好课程

    复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检;需要账号、权限或费用时会先问你。

    开课提示词 · 只需用一次此提示词尚未实测验证
    请帮我把「Understanding Parameter-Efficient Finetuning of Large Language Models: From Prefix Tuning to LLaMA-Adapters」的学习环境一次准备好,让我之后只需要按顺序学习和做练习。
    开始前先问我:课程放在哪个目录(等我给出完整路径),确认我的操作系统和已有工具。确认前不要创建文件或安装软件。
    
    课程入口:https://sebastianraschka.com/blog/2023/llm-finetuning-llama-adapter.html
    我的系统:Windows。如果实际不符,先调整方案。
    本次路线:浏览器或在线环境。只准备这条路线需要的工具;只读路线不安装运行环境、不配置模型密钥。
    练习:按文中顺序运行三个 notebook 并比较测试准确率;参数高效微调与 LLaMA-Adapter 小节的正文节选未提供,需回到原站查看。
    课节(官方顺序):
    1. Understanding Parameter-Efficient Finetuning of Large Language Models: From Prefix Tuning to LLaMA-Adapters:https://sebastianraschka.com/blog/2023/llm-finetuning-llama-adapter.html
    
    1. 环境
    - 浏览器即可阅读
    - 运行示例需 Python、PyTorch、Transformers、Lightning、scikit-learn
    - 安装前先列出要装的软件和命令,等我同意;已装好的直接复用。
    2. 材料
    - 官方课程页面:只记录链接 https://sebastianraschka.com/blog/2023/llm-finetuning-llama-adapter.html
    3. 目录(最外层放在我确认的位置)
    peft-llama-adapter-raschka/
    ├── README.md        # 课程入口、课节清单、每次怎么开始
    ├── progress.md      # 每课:读讲义 / 做练习 / 记笔记
    ├── questions.md     # 待解决的问题
    ├── check-env.md     # 环境自检,按 README 操作
    ├── data/            # 练习用到的样例数据
    └── lessons/         # 每课一个文件夹:notes.md + exercises/
        └── 01-01-understanding-parameter-efficient-finetuning/
    - 每课文件夹里建 notes.md(顶部写本课官方链接)和 exercises/;课节文件夹名称与上面一致。
    - 已有课程目录先检查并复用;不覆盖笔记、作业或 progress.md,不重置已有进度。尚未发布的课节保留入口并注明未发布,不能代写讲义或虚构练习。
    4. 自检
    - 创建 check-env.md,逐项检查并记录“通过/未通过”:
    - 按浏览器或在线 notebook 清单检查,不为自检安装本机终端。
      - 打开文章页面,确认能看到“Finetuning Large Language Models”正文与代码块  → 正文与代码可正常显示,无登录提示
      - 打开配套 notebook 链接  → 仓库中能看到 three-conventional-methods 下的 notebook
    - 标注为人工检查、浏览器操作或 notebook 单元的项目,按相应方式操作,不直接粘贴进 shell;脚本只包含当前系统可执行的命令。
    - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项;需要登录、付费或尚未开放的材料记为“需要我操作/未验证”,不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
    - 运行一次,把结果给我看;未通过的项目说明原因和修复办法。
    5. 学习计划
    - README.md:课程入口、课节清单(带链接)、每次学习怎么开始(使用“每课提示词”)。
    - progress.md:每课三项勾选——读讲义、做练习、记笔记。
    6. 最后分三部分汇报:已完成、需要我自己操作的、尚未验证的。
    
    边界:
    - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。
    - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。
    - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。
    如果你不能直接操作我的文件系统,请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
    搭好后的课程目录
    peft-llama-adapter-raschka/
    ├── README.md        # 课程入口、课节清单、每次怎么开始
    ├── progress.md      # 每课:读讲义 / 做练习 / 记笔记
    ├── questions.md     # 待解决的问题
    ├── check-env.md     # 环境自检,按 README 操作
    ├── data/            # 练习用到的样例数据
    └── lessons/         # 每课一个文件夹:notes.md + exercises/
        └── 01-01-understanding-parameter-efficient-finetuning/
准备好了,开始学习

常见问题

免费吗?

免费:节选中可直接读到文章正文、代码示例与配套 GitHub notebook 链接,未见付费墙或登录拦截。实践费用待核验:网页节选未说明运行示例代码是否需要 GPU 或付费算力。

需要什么基础?

需要了解 Transformer/深度神经网络基础,并熟悉 PyTorch 与 Hugging Face Transformers 的基本用法。软件、账号与硬件:可运行示例代码需具备 Python 环境与 PyTorch、Transformers、Lightning、scikit-learn 等库;网页未说明是否需要 GPU 或其他算力条件。

有中文吗?

本站记录的语言是en;是否有中文字幕或译本本站未核实,请以原站为准。

怎么开始?

从原始资源入口开始:https://sebastianraschka.com/blog/2023/llm-finetuning-llama-adapter.html。打开原文即可,无需安装软件。开课提示词尚未完整验证。练习与作业需要自备:网页未说明本资源需要 GPU 或付费算力(节选亦未提及)。

来源与使用须知

收录时间
本站首次收录 2026-10-26原站首次发布 2023-04-12
指南参考

版权与转载

  • 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
  • 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。