微调有两种办法，

一是模型全部参数的微调，二是少量参数高效的微调。前者由于参数多，需要的GPU多，并且全参数微调可能把模型带偏，后者只需要微调少量参数，需要的GPU少，还可能达到不错的效果，成为大家研究的重点，取了个专有名词Parameter-Efficient Fine-Tuning，简称PEFT，即高效参数微调。

PEFT主要分为：

1、Additive类：在预训练模型的基础上增加额外的参数或网络层，微调时只训练这些新增的部分，这包括Adapter（在Transformer子层后加入小的全连接层，微调只学习新加的全连接层参数）

、Soft Prompts（在输入的embedding中加入向量作为soft prompts），并对这些向量的参数进行微调，避免构造Prompts模板。

2、Selective类：选择模型中的部分层，如最后几层或偏置项进行微调，而不是调整整个模型、

3、Reparametrization-based类：使用低秩表征来最小化可训练的参数，认为大量参数只有一部分起到关键作用，并在这关键子空间中寻找参数进行微调。

4、Hybrid类：混合了以上多种方法，结合了它们的优点

以下细讲

Additive类

Adapter Tuning

结构简洁明了，在Transformer的前馈层后加入上图中右边所示的Adapter层，Adapter是一个bottleneck结构，先把d维特征映射为m维，然后通过一个非线性层，最后映射回d维特征，m<<d，即m远小于d，Adapter包括偏置项的参数量为2md+m+d，由于m很小，起到了限制参数量的作用。模型微调的时候，学习的参数包含上图绿色部分，除了Adapter，还有Transformer本身的Layer Norm层。

Adapters微调训练的参数量、全模型微调参数量和准确率关系如下图。总体上，在BERT Large模型上用0.5-5%的参数微调，基本达到全参数微调性能，差距仅1%以内。在GLUE上，用3.6%的参数微调和全参数微调性能差距仅0.4%

Soft Prompts

Prefix-Tuning

Prefix-Tuning是一种针对自然语言生成任务的轻量级微调方法，它在传统的全参数微调（Fine-tuning）和不修改任何模型参数的上下文学习之间提供了一种平衡。这种方法的核心思想是冻结预训练模型（PLM）的参数，并只优化一小部分连续的任务特定向量，即所谓的"prefix"。Prefix-Tuning的灵感来源于针对语言模型的提示（prompting）技术，它允许模型的后续token将这个prefix视为一系列“虚拟token”，从而对特定任务进行调整。

在具体实现上，Prefix-Tuning通过在输入token之前构造一段任务相关的virtual tokens作为Prefix，然后再训练时只更新这部分参数，而保持PLM中的其他参数不变，对于自回归模型架构，如GPT-2，Perfix-Tuning在句子钱买你添加前缀，形成[PREFIX; x; y]的结构；而对于编码器-解码器架构模型，如BART，则在编码器和解码器的输入前都添加前缀，形成[PREFIX; x; PREFIX'; y]的结构

为什么？

因为自回归模型的特点是它们在生成序列时依赖于之前生成的token（即前文）。这种模型一次生成一个token，依赖于之前所有的token的历史信息。

在Prefix-Tuning中，通过在输入序列的开始添加一个连续的任务特定向量（即PREFIX），可以位模型提供一个任务相关的上下文。这个PREFIX相当于给模型一个初始的提示，帮助它理解接下来需要执行的任务。

形成【PREFIX；x；y】的结构，其中x是实际的输入（如线性化的数据表），y是期望的输出序列（如文本描述）。这样，PREFIX作为起始点，x提供详细信息，y是生成任务的输出。

编码器-解码器模型（如BART）：

编码器-解码器模型由两部分组成：编码器（Encoder）负责读取和理解输入数据，解码器（Decoder）负责生成输出序列。这种模型通常用于需要同时理解输入并生成相关输出的任务，如机器翻译或文本摘要。

在Prefix-Tuning中，由于编码器和解码器都需要对任务有共同的理解，所以在编码器的输入前添加一个PREFIX来引导输入的编码，同时编码器和解码器都需要对任务有共同的理解，所以在编码器的输入前添加另一个PREFIX（通常与编码器前的PREFIX不同，表示为PREFIX'）来引导输出序列的生成。

形成[PREFIX; x; PREFIX'; y]的结构，其中第一个PREFIX帮助编码器理解任务上下文，x是输入数据，第二个PREFIX'帮助解码器生成与任务相关的输出，y是解码器生成的序列。