ترجمه فارسی مقاله SVFit: تنظیم دقیق مدل های بزرگ از پیش آموزش دیده با استفاده از مقادیر منفرد از نظر پارامتر

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 SVFit: Parameter-Efficient Fine-Tuning of Large Pre-Trained Models Using Singular Values
عنوان مقاله به فارسی SVFit: تنظیم دقیق مدل های بزرگ از پیش آموزش دیده با استفاده از مقادیر منفرد از نظر پارامتر
نویسندگان Chengwei Sun, Jiwei Wei, Yujia Wu, Yiming Shi, Shiyuan He, Zeyu Ma, Ning Xie, Yang Yang
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computation and Language,یادگیری ماشین , محاسبه و زبان ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Large pre-trained models (LPMs) have demonstrated exceptional performance in diverse natural language processing and computer vision tasks. However, fully fine-tuning these models poses substantial memory challenges, particularly in resource-constrained environments. Parameter-efficient fine-tuning (PEFT) methods, such as LoRA, mitigate this issue by adjusting only a small subset of parameters. Nevertheless, these methods typically employ random initialization for low-rank matrices, which can lead to inefficiencies in gradient descent and diminished generalizability due to suboptimal starting points. To address these limitations, we propose SVFit, a novel PEFT approach that leverages singular value decomposition (SVD) to initialize low-rank matrices using critical singular values as trainable parameters. Specifically, SVFit performs SVD on the pre-trained weight matrix to obtain the best rank-r approximation matrix, emphasizing the most critical singular values that capture over 99% of the matrix's information. These top-r singular values are then used as trainable parameters to scale the fundamental subspaces of the matrix, facilitating rapid domain adaptation. Extensive experiments across various pre-trained models in natural language understanding, text-to-image generation, and image classification tasks reveal that SVFit outperforms LoRA while requiring 16 times fewer trainable parameters.

چکیده به فارسی (ترجمه ماشینی)

مدلهای بزرگ از قبل آموزش دیده (LPM) عملکرد استثنایی را در پردازش متنوع زبان طبیعی و کارهای بینایی رایانه نشان داده اند.با این حال ، تنظیم کامل این مدل ها چالش های حافظه قابل توجهی را به ویژه در محیط های محدود شده از منابع ایجاد می کند.روشهای تنظیم دقیق پارامتر (PEFT) ، مانند LORA ، با تنظیم فقط یک زیر مجموعه کوچک از پارامترها ، این مسئله را کاهش می دهد.با این وجود ، این روش ها به طور معمول از ابتدای کار تصادفی برای ماتریس های درجه پایین استفاده می کنند ، که می تواند منجر به ناکارآمدی در تبار شیب و کاهش تعمیم پذیری به دلیل نقاط شروع زیر حد متوسط ​​شود.برای پرداختن به این محدودیت ها ، ما SVFIT را پیشنهاد می کنیم ، یک رویکرد جدید PEFT که از تجزیه ارزش مفرد (SVD) استفاده می کند تا ماتریس های درجه پایین را با استفاده از مقادیر بحرانی مفرد به عنوان پارامترهای قابل آموزش آغاز کند.به طور خاص ، SVFIT SVD را در ماتریس وزن از پیش آموزش داده شده برای به دست آوردن بهترین ماتریس تقریب رتبه R ، با تأکید بر مهمترین مقادیر مفرد که بیش از 99 ٪ از اطلاعات ماتریس را ضبط می کند ، انجام می دهد.این مقادیر تک مفرد TOP سپس به عنوان پارامترهای قابل آموزش برای مقیاس زیر مجموعه های اساسی ماتریس استفاده می شوند و تسهیل سازگاری سریع دامنه را تسهیل می کنند.آزمایش های گسترده ای در بین مدلهای مختلف از پیش آموزش دیده در درک زبان طبیعی ، تولید متن به تصویر و وظایف طبقه بندی تصویر نشان می دهد که SVFIT از LORA بهتر است در حالی که به 16 برابر پارامترهای قابل آموزش کمتر نیاز دارد.

📚 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.