我最近需要在工作中對特定用例的句子進行分類。記得 Jeremy Howard 的第 4 課：針對絕對初學者的 NLP 入門，我首先改編了他的筆記本來微調 DEBERTA。

它有效，但並不令我滿意，所以我很好奇如果我使用像 LLAMA 3 這樣的法學碩士會發生什麼。問題是什麼？ GPU 資源有限。我只能存取 Tesla/Nvidia T4 實例。

研究讓我找到了 QLORA。這個關於使用 QLoRA 微調 LLama 3 LLM 進行股票情緒文字分類的教學特別有用。為了更好地理解本教程，我將第 4 課改編到 QLORA 教程筆記本中。

QLORA 使用兩種主要技術：

1. 量化：降低模型精度，使其更小。
2. LORA（低階適應）：增加小型可訓練層，而不是微調整個模型。

這使我能夠在 16GB VRAM T4 上訓練 LLAMA 3 8B，使用大約 12GB 的 VRAM。結果出奇的好，預測準確率超過90%。

Confusion Matrix:
[[83  4]
[ 4  9]]
Classification Report:
              precision    recall  f1-score   support
         0.0       0.95      0.95      0.95        87
         1.0       0.69      0.69      0.69        13
    accuracy                           0.92       100
   macro avg       0.82      0.82      0.82       100
weighted avg       0.92      0.92      0.92       100
Balanced Accuracy Score: 0.8231653404067196
Accuracy Score: 0.92

這是詳細介紹該過程的 iPython 筆記本。

這種方法表明可以在有限的硬體上使用大型語言模型。在限制條件下工作通常會帶來創造性的問題解決和學習機會。在這種情況下，這些限制促使我探索和實施更有效的微調技術。