MindPet（Pet：Parameter-Efficient Tuning）是属于Mindspore领域的微调算法套件。随着计算算力不断增加，大模型无限的潜力也被挖掘出来。但随之在应用和训练上带来了巨大的花销，导致商业落地困难。因此，出现一种新的参数高效（parameter-efficient）算法，与标准的全参数微调相比，这些算法仅需要微调小部分参数，可以大大降低计算和存储成本，同时可媲美全参微调的性能。
- Python 3.7至3.9版本
- MindSpore >= 1.8
在代码仓根目录下运行以下命令，会生成dist文件夹以及whl包：
python set_up.py bdist_wheel执行以下命令安装whl包：
pip install dist/mindpet-1.0.4-py3-none-any.whl通过以下命令进行卸载：
pip uninstall mindpet目前MindPet已提供以下六种经典低参微调算法以及一种提升精度的微调算法的API接口，用户可快速适配原始大模型，提升下游任务微调性能和精度；
| 微调算法 | 算法论文 | 使用说明 |
|---|---|---|
| LoRA | LoRA: Low-Rank Adaptation of Large Language Models | MindPet_DeltaAlgorithm_README 第一章 |
| PrefixTuning | Prefix-Tuning: Optimizing Continuous Prompts for Generation | MindPet_DeltaAlgorithm_README 第二章 |
| Adapter | Parameter-Efficient Transfer Learning for NLP | MindPet_DeltaAlgorithm_README 第三章 |
| LowRankAdapter | Compacter: Efficient low-rank hypercom plex adapter layers | MindPet_DeltaAlgorithm_README 第四章 |
| BitFit | BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models | MindPet_DeltaAlgorithm_README 第五章 |
| R_Drop | R-Drop: Regularized Dropout for Neural Networks | MindPet_DeltaAlgorithm_README 第六章 |
| P-Tuning v2 | P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks | MindPet_DeltaAlgorithm_README 第七章 |
MindPet支持用户根据 微调算法 或 模块名 冻结网络中部分模块，提供调用接口和配置文件两种实现方式。
使用说明参考MindPet_GraphOperation_README 第一章。
MindPet支持用户单独保存训练中可更新的参数为ckpt文件，从而节省存储所用的物理资源。
使用说明参考MindPet_GraphOperation_README 第二章。