注入少量可学习的向量参数: 注入适配器IA3

• 简介：IA3通过学习向量来对激活层加权进行缩放，从而获得更强的性能，同时仅引入相对少量的新参数。它的诞生背景是为了改进LoRA，与LoRA不同的是，IA3直接处理学习向量，而不是学习低秩权重矩阵，这使得可训练参数的数量更少，并且原始的预训练权重保持冻结状态，方便构建多个轻量级、便携式的模型用于不同下游任务，其性能与完全微调的模型相当，且不会增加推理延迟.
• 使用方法：首先实例化基本模型，然后创建一个IA3Config配置对象，在其中定义IA3特定的参数，如任务类型、目标模块等。接着，使用get_peft_model()函数包装基础模型以获得可训练的PeftModel，最后像平常训练基础模型一样训练PeftModel即可.
• 举例：对于一个机器翻译任务，使用T5模型作为基础模型，采用IA3微调方法。创建IA3Config配置，指定任务类型为SEQ_2_SEQ_LM，目标模块为(“k”, “v”, “wo”)，然后包装T5模型得到可训练的PeftModel