ترجمه فارسی مقاله 3 در 1: سازگاری دوبعدی چرخشی برای تنظیم دقیق کارآمد، دسته بندی کارآمد و ترکیب پذیری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی 3-in-1: 2D Rotary Adaptation for Efficient Finetuning, Efficient Batching and Composability
عنوان مقاله به فارسی 3 در 1: سازگاری دوبعدی چرخشی برای تنظیم دقیق کارآمد، دسته بندی کارآمد و ترکیب پذیری
نویسندگان Baohao Liao, Christof Monz
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computation and Language,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان ,
توضیحات Submitted 28 August, 2024; originally announced September 2024. , Comments: 24 pages, 6 figures, 13 tables
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 24 صفحه ، 6 شکل ، 13 جدول
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Parameter-efficient finetuning (PEFT) methods effectively adapt large language models (LLMs) to diverse downstream tasks, reducing storage and GPU memory demands. Despite these advantages, several applications pose new challenges to PEFT beyond mere parameter efficiency. One notable challenge involves the efficient deployment of LLMs equipped with multiple task- or user-specific adapters, particularly when different adapters are needed for distinct requests within the same batch. Another challenge is the interpretability of LLMs, which is crucial for understanding how LLMs function. Previous studies introduced various approaches to address different challenges. In this paper, we introduce a novel method, RoAd, which employs a straightforward 2D rotation to adapt LLMs and addresses all the above challenges: (1) RoAd is remarkably parameter-efficient, delivering optimal performance on GLUE, eight commonsense reasoning tasks and four arithmetic reasoning tasks with $<0.1\%$ trainable parameters; (2) RoAd facilitates the efficient serving of requests requiring different adapters within a batch, with an overhead comparable to element-wise multiplication instead of batch matrix multiplication; (3) RoAd enhances LLM's interpretability through integration within a framework of distributed interchange intervention, demonstrated via composition experiments.

چکیده به فارسی (ترجمه ماشینی)

روشهای پارامتر با کارآمد (PEFT) به طور موثری مدل های زبان بزرگ (LLM) را با کارهای متنوع پایین دست ، کاهش ذخیره و تقاضای حافظه GPU تطبیق می دهد.علیرغم این مزایا ، چندین برنامه کاربردی چالش های جدیدی را برای ایجاد فراتر از راندمان پارامتر صرف می کند.یک چالش قابل توجه شامل استقرار کارآمد LLMS مجهز به آداپتورهای خاص کار یا کاربر خاص است ، به ویژه هنگامی که آداپتورهای مختلف برای درخواست های مجزا در همان دسته مورد نیاز هستند.چالش دیگر تفسیر LLMS است که برای درک عملکرد LLMS بسیار مهم است.مطالعات قبلی رویکردهای مختلفی را برای رسیدگی به چالش های مختلف ارائه می داد.در این مقاله ، ما یک روش جدید ، جاده را معرفی می کنیم ، که از چرخش 2D ساده برای تطبیق LLMS استفاده می کند و به همه چالش های فوق می پردازد: (1) جاده به طرز چشمگیری کارآمد پارامتر است ، عملکرد بهینه در چسب ، هشت وظیفه استدلال عوام و چهاروظایف استدلال حسابی با پارامترهای قابل آموزش $ <0.1 \ ٪ $ ؛(2) جاده خدمات کارآمد درخواست هایی را که نیاز به آداپتورهای مختلف در یک دسته دارند ، تسهیل می کند ، با یک سربار قابل مقایسه با ضرب عناصر به جای ضرب ماتریس دسته ای.(3) جاده تفسیر LLM را از طریق ادغام در چارچوبی از مداخله تبادل توزیع شده ، که از طریق آزمایش های ترکیب نشان داده شده است ، تقویت می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.