一、说明

在大型语言模型（LLM）领域，有各种各样的训练机制，具有不同的手段，要求和目标。由于它们服务于不同的目的，因此重要的是不要将它们相互混淆，并了解它们适用的不同场景。

在本文中，我想概述一些最重要的训练机制，它们是预训练、微调、从人类反馈中强化学习（RLHF） 和适配器。此外，我将讨论提示的作用，它本身不被视为一种学习机制，并阐明提示调优的概念，它在提示和实际训练之间架起了一座桥梁。

二、关于预训练

预训练是最基本的训练方式，等同于你可能知道的其他机器学习领域的训练。在这里，您从一个未经训练的模型（即具有随机初始化权重的模型）开始，并训练以在给定一系列先前令牌的情况下预测下一个令牌。为此，从各种来源收集了大量的句子，并以小块的形式提供给模型。

这里使用的训练模式称为自监督。从正在训练的模型的角度来看，我们可以说是一种监督学习方法，因为模型在做出预测后总是得到正确的答案。例如，给定我喜欢冰的序列... 该模型可能会将锥体预测为下一个单词，然后可能会被告知答案是错误的，因为实际的下一个单词是奶油色。最终，可以计算损失并调整模型权重以更好地预测下一次。将其称为自我监督（而不是简单地监督）的原因是，无需事先以昂贵的程序收集标签，但它们已经包含在数据中。给定句子我喜欢冰淇淋，我们可以自动将其拆分为我喜欢冰作为输入和奶油作为标签，这不需要人工努力。虽然它不是模型本身，但它仍然由机器自动执行，因此人工智能在学习过程中自我监督的想法。

最终，在大量文本上进行训练后，模型学会了对语言结构进行编码（例如，它学习，我喜欢的后面可以跟一个名词或分词）以及它看到的文本中包含的知识。例如，它了解到，乔·拜登（Joe Biden）这句话......经常被美国总统所跟随，因此代表了该知识。

其他人已经完成了此预训练，您可以使用开箱即用的 GPT 等模型。但是，为什么要训练类似的模型呢？如果您使用的数据具有类似于语言的属性，但这不是通用语言本身，则可能需要从头开始训练模型。乐谱可以举个例子，它的结构在某种程度上像一种语言。关于哪些部分可以相互跟随，有一些规则和模式，但是在自然语言上训练的LLM无法处理这种数据，因此您必须训练一个新模型。然而，LLM的架构可能是合适的，因为乐谱和自然语言之间有许多相似之处。

三、关于微调

尽管预训练的LLM由于其编码的知识，能够执行各种数量的任务，但它有两个主要缺点，即其输出的结构和缺乏未在数据中编码的知识首先。

如您所知，LLM 总是在给定之前一系列令牌的情况下预测下一个令牌。对于继续一个给定的故事，这可能很好，但在其他情况下这不是你想要的。如果您需要不同的输出结构，有两种主要方法可以实现。你可以以这样的方式编写提示，使模型预测下一个令牌的惰性能力解决你的任务（这称为提示工程），或者你更改最后一层的输出，使其反映你的任务，就像你在任何其他机器学习模型中所做的那样。考虑一个分类任务，其中有 N 个类。通过提示工程，您可以指示模型始终在给定输入后输出分类标签。通过微调，您可以将最后几层更改为具有 N 个输出神经元，并从激活率最高的神经元中得出预测的类别。

LLM的另一个限制在于它被训练的数据。由于数据源非常丰富，因此最著名的LLM编码了各种各样的常识。因此，他们可以告诉你，除其他外，关于美国总统，贝多芬的主要著作，量子物理学的基础和西格蒙德弗洛伊德的主要理论。但是，有些域模型不知道，如果您需要使用这些域，微调可能与您相关。

微调的想法是采用已经预训练的模型并使用不同的数据继续训练，并在训练期间仅更改最后几层的权重。这只需要初始培训所需资源的一小部分，因此可以更快地执行。另一方面，模型在预训练期间学习的结构仍然编码在第一层中，可以使用。假设你想教你的模型关于你最喜欢的，但鲜为人知的幻想小说，这些小说不是训练数据的一部分。通过微调，您可以利用模型对自然语言的一般知识，使其理解奇幻小说的新领域。

四、RLHF微调

微调模型的一个特例是从人类反馈中强化学习（RLHF），这是GPT模型与Chat-GPT等聊天机器人之间的主要区别之一。通过这种微调，模型被训练为产生人类在与模型对话中最有用的输出。

主要思想如下：给定任意提示，为该提示生成模型的多个输出。人类根据他们发现的有用或适当程度对这些输出进行排名。给定四个样本 A、B、C 和 D，人类可能会决定 C 是最佳输出，B 稍差但等于 D，A 是该提示的最差输出。这将导致 C > B = D > A 的阶数。接下来，此数据用于训练奖励模型。这是一个全新的模型，它通过给予反映人类偏好的奖励来学习对LLM的产出进行评级。一旦奖励模型被训练，它就可以替代该产品中的人类。现在，模型的输出由奖励模型进行评级，并且该奖励作为反馈提供给LLM，然后进行调整以最大化奖励;一个与GAN非常相似的想法。

如您所见，对于这种训练，需要人工标记的数据，这需要相当多的努力。然而，所需的数据量是有限的，因为奖励模型的想法是从这些数据中泛化，以便一旦它学会了自己的部分，它就可以自己对LLM进行评级。 RLHF通常用于使LLM输出更像对话或避免不良行为，例如模型是平均的，侵入性或侮辱性。

五、适配器

在前面提到的微调中，我们在最后几层调整模型的一些参数，而前几层中的其他参数保持不变。不过，还有另一种选择，它通过训练所需的更少参数来保证更高的效率，这称为dapters。

使用适配器意味着向已训练的模型添加其他层。在微调期间，仅训练这些适配器，而模型的其余参数根本不会更改。但是，这些层比模型附带的层小得多，这使得调整它们变得更加容易。此外，它们可以插入模型的不同位置，而不仅仅是在最后。在上图中，您看到两个示例;一个是以串行方式将适配器作为层添加的，另一个是将其并行添加到现有层。

六、促进

您可能想知道提示是否算作训练模型的另一种方式。提示意味着构造实际模型输入之前的指令，特别是如果您使用少数镜头提示，您可以在提示中向LLM提供示例，这与训练非常相似，后者也包括呈现给模型的示例。但是，提示比训练模型是有原因的。首先，从简单的定义来看，我们只在权重更新时才谈论训练，而在提示期间不会这样做。创建提示时，不会更改任何模型，不会更改权重，不会生成新模型，也不会更改模型中编码的知识或表示形式。提示应该被视为指导LLM并告诉它你想要从中得到什么的一种方式。以以下提示为例：

"""Classify a given text regarding its sentiment.Text: I like ice cream.
Sentiment: negativeText: I really hate the new AirPods.
Sentiment: positiveText: Donald is the biggest jerk on earth. I hate him so much!
Sentiment: neutralText: {user_input}
Sentiment:"""

我指示模型进行情绪分类，您可能已经注意到，我给模型的示例都是错误的！如果模型是用这些数据训练的，它会混淆正、负和中性的标签。现在，如果我让模型对我喜欢冰淇淋的句子进行分类，这是我示例的一部分，会发生什么？有趣的是，它将其归类为正数，这与提示相反，但在语义层面上是正确的。这是因为提示没有训练模型，也没有改变它所学内容的表示形式。提示只是告知模型我期望的结构，即我希望情绪标签（可以是正、负或中性）跟在冒号之后。

七、提示调整

虽然提示本身不是训练 llm，但有一种机制称为提示调整（也称为软提示），它与提示有关，可以看作是一种训练。

在前面的示例中，我们将提示视为提供给模型的自然语言文本，以便告诉它要做什么，并且先于实际输入。也就是说，模型输入变为<prompt><实例>，因此，例如，<将以下内容标记为正、负或中性：> <我喜欢冰淇淋>。 在自己创建提示时，我们说硬提示。在软提示中，将保留格式<prompt><实例>，但提示本身不是我们自己设计的，而是通过数据学习的。具体来说，提示由向量空间中的参数组成，这些参数可以在训练期间进行调整，以获得更小的损失，从而获得更好的答案。也就是说，在训练后，提示将是导致我们给定数据最佳答案的字符序列。但是，模型参数根本没有经过训练。

提示调优的一大优点是，您可以为不同的任务训练多个提示，但仍将它们用于同一模型。就像在硬提示中一样，您可以构造一个用于文本摘要的提示、一个用于情绪分析的提示和一个用于文本分类的提示，但将它们全部用于同一模型，您可以为此目的调整三个提示，并且仍然使用相同的模型。相反，如果您使用微调，您最终会得到三个模型，每个模型只服务于其特定任务。