1.论文

这些开发由两个关键组件提供动力：大型预训练语言模型（LM）和人工编写的指令数据。

1.1 背景

• 目前的训练太吃数据了，需要使用一些替代方法减少对数据的依赖
• 有微调过的数据集效果远好于没有微调
  用什么数据集微调呢？
  基于人类指令性命令及其期望结果的数据集
• data越大，潜在可完成的任务就越多

这篇论文旨在通过减少对人工注释的依赖来解决这个瓶颈。

1.2

基本上一张图可以涵盖这篇论文的内容

2. fintune

【网址】alpaca-lora
我12G4070显卡非常极限的完成了训练
参数如下：

python finetune.py     --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'yahma/alpaca-cleaned'     --output_dir './lora-alpaca' \
   --batch_size 16     --micro_batch_size 1     --num_epochs 2   \
   --learning_rate 3e-4     --cutoff_len 256     --val_set_size 2000   \
   --lora_r 8     --lora_alpha 16     --lora_dropout 0.05     --lora_target_modules '[q_proj,v_proj]'  \
   --train_on_inputs     --group_by_length

2.1 out of memory 问题

在保存权重的时候出现oom，bitsandbytes版本问题
建议版本：

pip install bitsandbytes==0.37.2

2.2 transform 版本

某些transform版本会出现AutoModelForCausalLM等的错误