申请/专利权人：厦门蝉羽网络科技有限公司

申请日：2024-02-08

公开（公告）日：2024-04-16

公开（公告）号：CN117725844B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0499;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明提供了基于学习权重向量的大模型微调方法、装置、设备及介质，涉及深度学习的大模型技术领域，方法包括：获取待调整的大模型的Transformer模块，所述Transformer模块的核心为自注意力机制；当需要对所述大模型进行微调时，对所述Transformer模块中的k矩阵增加一个可学习的权重向量，对所述Transformer模块中的v矩阵增加一个可学习的权重向量，并经过所述自注意力机制进行处理；在所述自注意力机制处理完毕后，在Transformer模块中增加一个可学习的权重向量lff，输出经过线性层，并根据经过线性层的输出数据获得需要调整的参数量；根据训练样本以及需要调整的参数量对所述大模型进行微调。旨在解决现有微调算法无法与微调基线相匹配，从而在效率和模型质量之间产生了权衡的问题。

主权项：1.一种基于学习权重向量的大模型微调方法,其特征在于，包括：获取物品的数据信息、以及待调整的大模型的Transformer模块，其中，所述Transformer模块的核心为自注意力机制；当需要对所述大模型进行微调时，对所述Transformer模块中的k矩阵增加一个可学习的权重向量，对所述Transformer模块中的v矩阵增加一个可学习的权重向量，并经过所述自注意力机制进行处理，具体为：获取预设的所需向量维度train_dim，根据所述所需向量维度train_dim分别对所述权重向量和权重向量进行定义，其中，所述所需向量维度train_dim与所述自注意力机制中的矩阵维度相对应；将所述权重向量和权重向量初始化为零；在k矩阵中增加所述权重向量时，将所述权重向量与所述k矩阵的矩阵元素对应进行相乘，根据当前所述Transformer模块的输入特征x和缩放系数multiplier对所述Transformer模块的输出特征y进行重新赋值，赋值公式为：y=x1+weightmultiplier，其中，weight为所述权重向量，multiplier为缩放系数，默认赋值为1.0；在v矩阵中增加所述权重向量时，将所述权重向量与所述v矩阵的矩阵元素对应进行相乘，根据当前所述Transformer模块的输入特征x和缩放系数multiplier对所述Transformer模块的输出特征y进行重新赋值，赋值公式为：y=x1+weightmultiplier，其中，weight为所述权重向量，multiplier为缩放系数，默认赋值为1.0；在所述自注意力机制处理完毕后，在所述Transformer模块中增加一个可学习的权重向量lff，输出经过线性层，并根据经过线性层的输出数据获得需要调整的参数量，具体为：获取预设的所需向量维度train_dim，根据所述所需向量维度train_dim对权重向量lff进行定义，其中，所述所需向量维度train_dim与所述自注意力机制中的矩阵维度相对应；将所述权重向量lff初始化为零；在k矩阵中增加所述权重向量lff时，将所述权重向量lff与所述自注意力机制处理后的矩阵元素对应进行相乘，根据当前所述Transformer模块的输入特征x和缩放系数multiplier对所述Transformer模块的输出特征y进行重新赋值，赋值公式为：y=x1+weightmultiplier，其中，weight为所述权重向量lff，multiplier为缩放系数，默认赋值为1.0；根据训练样本以及需要调整的参数量对所述大模型进行微调，生成与所述物品的数据信息相对应的图片。

全文数据：

权利要求：

百度查询： 厦门蝉羽网络科技有限公司 基于学习权重向量的大模型微调方法、装置、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD