PEFT

🤗 PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）是一个库，用于有效地将大型预训练模型适配到各种下游应用，而无需微调模型的所有参数，因为这样做成本过高。PEFT 方法仅微调少量（额外的）模型参数 - 显著降低计算和存储成本 - 同时产生与完全微调模型相当的性能。这使得在消费级硬件上训练和存储大型语言模型 (LLM) 变得更容易。

PEFT 与 Transformers、Diffusers 和 Accelerate 库集成，以提供更快、更轻松的方式来加载、训练和使用大型模型进行推理。

快速入门

如果你是 🤗 PEFT 的新手，请从这里开始，了解该库的主要功能，以及如何使用 PEFT 方法训练模型。

操作指南

实用指南，演示如何在图像分类、因果语言建模、自动语音识别等不同类型的任务中应用各种 PEFT 方法。了解如何将 🤗 PEFT 与 DeepSpeed 和 Fully Sharded Data Parallel 脚本一起使用。

概念指南

更好地从理论上理解 LoRA 和各种软提示方法如何帮助减少可训练参数的数量，从而提高训练效率。

参考

🤗 PEFT 类和方法如何工作的技术描述。

< > 在 GitHub 上更新