EnnengYang
commented
8 months ago 您好，
首先，AdaMerging的目标就是利用无标签的测试数据来自动学习模型融合权重。所以任务向量权重ralpha = [[1.0000, 0.2202, 0.1413, 0.2826, 0.3284, 0.2841, 0.4003, 0.1978, 0.1692]] 是训练后的合并系数，这个系数的初始值是ralpha = [[1.0000, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3]]。
然后，该系数的学习过程就是main_task_wise_adamerging.py这个代码，学习过程的系数变化在日志log_20230921_202228_Task_wise_AdaMerging.txt中。
最后，AdaMerging可以轻松的扩展到其他数据集或任务上合并模型时的类似权重训练，只需要将main_task_wise_adamerging.py适配到你的任务/数据上即可。当然，Layer-wise版本的AdaMerging性能会更好(main_layer_wise_adamerging.py)，它为每个任务向量的每个层学习一个合并系数。
希望能解决您的疑问。
祝一切顺利
首先，感谢您分享了这个令人兴奋的项目和研究成果。我对AdaMerging方法的实现特别感兴趣，特别是关于如何确定不同任务权重（ralpha）的部分。在阅读代码和论文后，我对这个过程有一些疑问，希望能得到您的帮助。 例如，在代码中，任务向量权重被直接指定为：
ralpha = [[1.0000, 0.2202, 0.1413, 0.2826, 0.3284, 0.2841, 0.4003, 0.1978, 0.1692]]这些权重值是基于某种优化过程（训练）确定的，还是通过实验调整得到的最佳值？ 如果这些权重是通过自动化方法得到的，能否分享一下具体的过程和步骤？这对于理解模型的整体性能提升机制非常重要。 是否有推荐的方法或实践，用于确定在其他数据集或任务上合并模型时的类似权重？ 再次感谢您的工作和分享。