一、为什么需要适配器微调（Adapter-tuning）？
预训练模型参数量变多，在特定任务下进行全量微调即昂贵又耗时：
二、适配器微调（Adapter-tuning）思路？
设计了Adapter结构（首先是一个down-project层将高维度特征映射到低维特征，然后过一计了skip-connection 结构，确保了在最差的情况下能够退化为 identity），并将其嵌入 个非线形层之后，再用一个up-project结构将低维特征映射回原来的高维特征：同时也设Transformer的结构里面：
在训练时，固定住原来预训练模型的参数不变，只对新增的Adapter结构进行微调.同时为了保证训练的高效性（也就是尽可能少的引入更多参数）.
三、适配器微调（Adapter-tuning）特点是什么？
特点：
通过在Transformer层中嵌入Adapter结构，在推理时会额外增加推理时长.
四、AdapterFusion思路是什么？
思路：一种融合多任务信息的Adapter的变体，在Adapter的基础上进行优化，通过将学习过程分为两阶段来提升下游任务表现.
五、AdapterDrop思路是什么？
思路：在不影响任务性能的情况下，对Adapter动态高效的移除，尽可能的减少模型的参数量，提高模型在反向传播（训练）和正向传播（推理）时的效率.
六、AdapterDrop特点是什么？
特点：
通过从较低的Transformer层删除可变数量的Adaper来提升推理速度：当对多个任务执行推理时，动态地减少了运行时的计算开销，并在很大程度上保持了任务性能.
七、MAMAdapter思路是什么？
思路：一种在Adapter、PrefixTuning和LoRA之间建立联系的统一方法.最终的模型MAMAdapter是用于FFN的并行Adapter和软提示的组合.
八、MAMAdapter特点是什么？
特点：
整体上来说，最终的模型MAMAdapter效果会优于单个高效微调方法.
