学习第四章后，我了解到LoRA微调通过冻结原始网络参数，在Attention层的QKV等添加含低维度矩阵A和B的旁支，仅更新这两个矩阵，大幅降低训练参数和资源消耗，参与微调的参数仅占总参数量的0.5%，其流程包括实例化基础模型、配置LoraConfig等；还学习了基于昇思框架对DeepSeek-R1-Distill-Qwen-1.5B模型进行LoRA微调的实战，涉及环境准备、数据预处理（用.map方法）、保存权重、优化内存（如加载fp16权重）等，以及完整代码实现，让我对大模型微调有了具体认识。