文件名称：DiffPruning:差异修剪的有效参数传递学习
文件大小：6.5MB
文件格式：ZIP
更新时间：2024-06-13 00:21:32
Python
带有参数修剪的参数有效转移学习 尽管针对特定任务的预训练网络微调已在NLP方面取得了重大的经验进步，但网络规模庞大，使得微调难以部署在多任务，受内存限制的环境中。 我们建议使用diff修剪作为一种简单的方法，以在pretrain-finetune框架内实现参数有效的传递学习。 这种方法将微调视为学习特定于任务的差异向量，该向量应用在预训练的参数向量之上，该向量保持不变并在不同任务之间共享。 diff向量在训练期间以L0-范数罚分的可微近似方式进行自适应修剪，以鼓励稀疏性。 随着任务数量的增加，差异修剪变得参数有效，因为它只需要为每个任务存储差异向量的非零位置和权重，而存储共享的预训练模型的成本保持不变。 此外，它不需要在培训期间访问所有任务，这使其在任务到达流或任务集未知的设置中很有吸引力。 我们发现，使用diff修剪进行微调的模型可以匹配GLUE基准上完全微调的基线的性能，而每个任务仅修