PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）是一种在深度学习中微调预训练模型的方法，旨在减少需要调整的参数数量，从而降低计算和存储成本，同时保持模型性能的提升。该方法特别适用于大规模预训练模型（如 BERT、GPT 等），因为这些模型通常包含数亿甚至数十亿的参数，完全微调的代价非常高。

核心思想

PEFT 方法的核心思想是：

• 冻结预训练模型的大部分参数，仅微调一小部分参数或引入额外的可训练参数。
• 通过这种方式，既能利用预训练模型的强大能力，又能节省资源。

PEFT 方法的常见应用包括自然语言处理（NLP）、计算机视觉（CV）等领域，尤其是在任务多样但资源有限的情况下。

常见的 PEFT 方法

以下是几种常见的 PEFT 方法及其特点：

1. Adapter 方法
   在预训练模型的某些层之间插入小型可训练模块（Adapter），并只训练这些模块的参数，冻结其余部分。

   • 优点：显著减少了需要调整的参数数量。
   • 示例：Houlsby Adapter 和 Pfeiffer Adapter。

2. LoRA（Low-Rank Adaptation）
   通过低秩矩阵分解来高效微调权重变化。具体来说，仅训练一个低秩矩阵，使得原始模型的权重可以通过训练的低秩矩阵进行调整。

   • 优点：微调参数数量非常少，适合低资源场景。

3. Prompt Tuning
   在输入数据中添加可学习的提示（Prompt），仅优化提示的表示，而不改变预训练模型本身的权重。

   • 优点：参数效率极高。
   • 示例：Prefix Tuning、P-Tuning。

4. BitFit
   仅优化预训练模型中的偏置（Bias）参数，而冻结所有其他参数。

   • 优点：实现简单，参数量极少。

5. Prefix Tuning
   为每个任务添加一组可训练的前缀向量，并在生成序列时结合这些向量进行推理。

   • 优点：适用于生成任务，微调参数数量低。

PEFT 的优势

1. 高效性：相较于全模型微调，PEFT 方法需要调整的参数非常少，因此训练和存储成本显著降低。
2. 迁移性：微调的参数可以轻松迁移到不同任务中，尤其在多任务场景下表现良好。
3. 适应性：在资源有限或算力有限的情况下，PEFT 方法为模型优化提供了可行的解决方案。

使用场景

• 低资源任务：如某些小规模数据集的领域适配。
• 多任务学习：在一个基础模型上适配多个下游任务。
• 边缘设备部署：通过减少训练参数，使得模型更容易部署到低算力设备上。