フル パラメーター チューニングは、深層学習におけるモデル最適化テクノロジであり、特に転移学習またはドメイン適応シナリオで使用されます。これには、特定のタスクまたはデータセットに適合するように事前トレーニングされたモデルのすべてのパラメーターを微調整することが含まれます。この手法を使用すると、事前トレーニングされた知識を維持しながらモデルを特定のタスクに合わせて最適化できますが、それに応じてより多くのコンピューティング リソースが必要になります。これは、自然言語処理 (NLP) における事前トレーニング済み言語モデル (PLM) の主流のパラダイムであり、下流タスクからのラベル付きデータを使用して、特定のタスクに適応するようにモデルのすべてのパラメーターを微調整することが含まれます。この方法はパフォーマンスの向上をもたらしますが、コンピューティング リソースとストレージ リソースの大量の消費も伴います。モデルのサイズが大きくなると、パラメーターを完全に微調整するためのリソース要件もそれに応じて増加し、その適用範囲がある程度制限されます。 。