LLM模型微调方法及经验总结_llm 微调

在现在这大规模语言模型（LLM）盛行的时代，由于模型参数和显卡配置的因素，预训练基本是大公司或者高校可以完成的事情，而对于小公司或个人，则只能对LLM进行微调，也就是说微调少量或额外的模型参数，固定大部分预训练模型（LLM）参数，从而大大降低了计算和存储成本，同时，也尽可能实现与全量参数微调相当的性能。

本文总结几种主流的微调方法，主要包括Freeze方法、P-tuning方法、Lora方法和Qlora方法。

微调方法

Freeze方法

Freeze是冻结的意思，Freeze方法指的是参数冻结，对原始模型的大部分参数进行冻结，仅训练少部分的参数，这样就可以大大减少显存的占用，从而完成对大模型的微调。
这是一种比较简单微调方法，由于冻结的参数是大部分，微调的参数是少部分，因此在代码中只需要设置需要微调的层的参数即可，核心部分如下：

for name, param in model.named_parameters():
    if not any(nd in name for nd in ["layers.27", "layers.26", "layers.25", "layers.24", "layers.23"]):
        param.requires_grad = False
1
2
3

P-tuning方法

P-tuning目前有两个版本。
P-Tuning v1 论文: https://arxiv.org/pdf/2103.10385.pdf
P-Tuning v2论文: https://arxiv.org/abs/2110.07602

P-tuning v1 github代码：https://github.com/THUDM/P-tuning
P-Tuning v2 github代码：https://github.com/THUDM/P-tuning-v2

prefix-tuning

prefix-tuning：Optimizing Continuous Prompts for Generation
论文地址：https://arxiv.org/abs/2101.00190
代码地址：https://github.com/XiangLi1999/PrefixTuning

在学习P-tuning之前，需要先了解下prefix-tuning，它指的是在微调模型的过程中只优化加入的一小段可学习的向量(virtual tokens)作为Prefix，而不需要优化整个模型的参数（训练的时候只更新Prefix部分的参数，而PLM中的其他部分参数固定）。
如下图所示：Fine-tuning是会更新Transformer中所有的参数，而P-tuning只需要更新Prefix处的参数。

对于不同的任务和模型结构需要不同的prefix：

在autoregressive LM 前添加prefix：
$$z=[PREFIX;x;y]$$
在encoder和decoder之前添加prefixs：
$$z=[\text{ PREFIX; }x;\text{ PREFIX };y]$$

Encoder端增加前缀是为了引导输入部分的编码，Decoder 端增加前缀是为了引导后续token的生成。

对于prefix tuning可能还需要一些前置知识，soft prompt和hard prompt的概念。
prompt综述参考：
https://arxiv.org/pdf/2107.13586.pdf
https://zhuanlan.zhihu.com/p/524383554

hard prompt等同于discrete prompt；soft prompt等同于continuous prompt。
离散prompt是一个实际的文本字符串（自然语言，人工可读），通常由中文或英文词汇组成；
连续prompt通常是在向量空间优化出来的提示，通过梯度搜索之类的方式进行优化。
离散的prompts中，提示语的变化对模型最终的性能特别敏感，加一个词、少一个词或者变动位置都会造成比较大的变化。成本比较高，并且效果不太好。
显然：Prefix Tuning属于Soft prompt。

Prompt Tuning

论文：The Power of Scale for Parameter-Efficient Prompt Tuning
论文地址：https://arxiv.org/pdf/2104.08691.pdf

该方法可以看做是Prefix Tuning的简化版本，它给每个任务都定义了自己的Prompt，拼接到数据上作为输出，但只在输入层加入prompt tokens。

通过实验发现，随着预训练模型参数量的增加，Prompt Tuning的方法会逼近全参数微调的结果。

P-tuning v1

论文：GPT Understands, Too
论文地址：https://arxiv.org/abs/2103.10385
该方法的核心是使用可微的virtual token替换了原来的discrete tokens，且仅加入到输入层，并使用prompt encoder（BiLSTM+MLP）对virtual token进行编码学习。

效果：相同参数规模，如果进行全参数微调，Bert在NLU任务上的效果，超过GPT很多；但是在P-Tuning下，GPT可以取得超越Bert的效果。

之前的Prompt Tuning和P-Tuning等方法存在两个主要的问题：
第一，缺乏模型参数规模和任务通用性。

• 缺乏规模通用性：Prompt Tuning论文中表明当模型规模超过100亿个参数时，提示优化可以与全量微调相媲美。但是对于那些较小的模型（从100M到1B），提示优化和全量微调的表现有很大差异，这大大限制了提示优化的适用性。
• 缺乏任务普遍性：尽管Prompt Tuning和P-tuning在一些 NLU 基准测试中表现出优势，但提示调优对硬序列标记任务（即序列标注）的有效性尚未得到验证。

第二，缺少深度提示优化，在Prompt Tuning和P-tuning中，连续提示只被插入transformer第一层的输入embedding序列中，在接下来的transformer层中，插入连续提示的位置的embedding是由之前的transformer层计算出来的，这可能导致两个可能的优化挑战。

由于序列长度的限制，可调参数的数量是有限的。
输入embedding对模型预测只有相对间接的影响。

这些问题在P-tuning v2得到了改进。

P-tuning v2

论文：P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks
论文地址：https://arxiv.org/abs/2110.07602

P-Tuning v2主要是基于P-tuning和prefix-tuning技术，引入Deep Prompt Encoding和Multi-task Learning等策略进行优化的。

Deep Prompt Encoding

P-Tuning v2在每一层都加入了Prompts tokens作为输入，而不是仅仅加在输入层，这带来两个方面的好处：

• 更多可学习的参数（从P-tuning和Prompt Tuning的0.01%增加到0.1%-3%），同时也足够参数高效。
• 加入到更深层结构中的Prompt能给模型预测带来更直接的影响。
  Multi-task learning
  基于多任务数据集的Prompt进行预训练，然后再适配到下游任务。对于pseudo token的continous prompt，随机初始化比较难以优化，因此采用multi-task方法同时训练多个数据集，共享continuous prompts去进行多任务预训练，可以让prompt有比较好的初始化。

P-Tuning v2是一种在不同规模和任务中都可与微调相媲美的提示方法。P-Tuning v2对从330M到10B的模型显示出一致的改进，并在序列标注等困难的序列任务上以很大的幅度超过了Prompt Tuning和P-Tuning。

Lora方法

论文：LoRA: Low-Rank Adaptation of Large Language Models
论文地址：https://arxiv.org/abs/2106.09685
官方代码github：https://github.com/microsoft/LoRA
HuggingFace封装的peft库：https://github.com/huggingface/peft
微软实现的lora：https://github.com/microsoft/LoRA

LoRA的本质是在原模型的基础上插入若干新的参数，称之为adapter。在训练时，冻结原始模型的参数，只更新adapter的参数。对于不同的基座模型，adapter的参数量一般为几百万~几千万。

具体来讲，Lora方法指的是在大型语言模型上对指定参数增加额外的低秩矩阵，也就是在原始PLM旁边增加一个旁路，做一个降维再升维的操作。并在模型训练过程中，固定PLM的参数，只训练降维矩阵A与升维矩阵B。而模型的输入输出维度不变，输出时将BA与PLM的参数叠加。用随机高斯分布初始化A，用0矩阵初始化B，保证训练的开始此旁路矩阵依然是0矩阵。

具体来看，假设预训练的矩阵为 $W_0\in {\mathbb{R}}^{d\times k}$ ，它的更新可表示为:
$$W_0+\Delta W=W_0+BA,B\in {\mathbb{R}}^{d\times r},A\in {\mathbb{R}}^{r\times k}$$其中秩 $r<<\min (d,k)$ 。
对于 $h=W_{0}x$ ，它的前向计算变为:
$$h=W_{0}x+\Delta Wx=W_{0}x+BAx=\left(W_0+BA\right)x$$Lora的这种思想有点类似于残差连接，同时使用这个旁路的更新来模拟full finetuning的过程。

为什么矩阵B被初始化为0，而矩阵A正常高斯初始化？

如果B，A全都初始化为0，那么缺点与深度网络全0初始化一样，很容易导致梯度消失(因为此时初始所有神经元的功能都是等价的)。
如果B，A全部高斯初始化，那么在网络训练刚开始就会有概率得到一个过大的偏移值Δ W，从而引入太多噪声，导致难以收敛。
因此，一部分初始为0，一部分正常初始化是为了在训练开始时维持网络的原有输出(初始偏移为0)，但同时也保证在真正开始学习后能够更好的收敛。

训练与推理

• 在训练过程中，原模型固定，只训练降维矩阵A和升维矩阵B，训练完成后得到两个矩阵的参数；
• 在推理时，可将两个矩阵的参数加到原参数上，进行推理。

为什么一般会选用Q、V矩阵添加LoRA Layer？
看效果，如在一篇医疗图片分割的论文中，有实验表明，有一些实验[1]表明，只添加在Q和V上会更好。

重要相关参数

• lora_rank(int,optional): LoRA 微调中的秩大小。
• lora_alpha(float,optional): LoRA 微调中的缩放系数。
• lora_dropout(float,optional): LoRA 微调中的 Dropout 系数。

LoRA 的优势

LoRA 的最大优势是速度更快，使用的内存更少，因此可以在消费级硬件上运行。

在多卡训练时，Lora也是效率很高的，在多卡训练中，LoRA的速度优势主要体现在两个方面：

1. 计算效率：由于LoRA只需要计算和优化注入的低秩矩阵，因此它的计算效率比完全微调更高。在多卡训练中，LoRA可以将注入矩阵的计算和优化分配到多个GPU上，从而加速训练过程。
2. 通信效率：在多卡训练中，通信效率通常是一个瓶颈。由于LoRA只需要通信注入矩阵的参数，因此它的通信效率比完全微调更高。在多卡训练中，LoRA可以将注入矩阵的参数分配到多个GPU上，从而减少通信量和通信时间。 因此，LoRA在多卡训练中通常比完全微调更快。具体来说，LoRA可以将硬件门槛降低多达3倍，从而提高训练的效率。

Qlora方法

论文：QLORA: Efficient Finetuning of Quantized LLMs
论文地址：https://arxiv.org/abs/2305.14314

QLoRA是华盛顿大学提出的一种高效微调大模型的方法，可以在不降低任何性能的情况下微调量化为 4 bit模型的方法。

核心点如下：

• 4bit NormalFloat（NF4）：对于正态分布权重而言，一种信息理论上最优的新数据类型，该数据类型对正态分布数据产生比 4 bit整数和 4bit 浮点数更好的实证结果。
• 双量化（Double Quantization）：对第一次量化后的那些常量再进行一次量化，减少存储空间。
• 分页优化器（Paged Optimizers）：使用NVIDIA统一内存特性，该特性可以在在GPU偶尔OOM的情况下，进行CPU和GPU之间自动分页到分页的传输，以实现无错误的 GPU 处理。该功能的工作方式类似于 CPU 内存和磁盘之间的常规内存分页。使用此功能为优化器状态（Optimizer）分配分页内存，然后在 GPU 内存不足时将其自动卸载到 CPU 内存，并在优化器更新步骤需要时将其加载回 GPU 内存。
• 增加Adapter：4-bit的NormalFloat与Double Quantization，节省了很多空间，但带来了性能损失，作者通过插入更多adapter来弥补这种性能损失。在LoRA中，一般会选择在query和value的全连接层处插入adapter。而QLoRA则在所有全连接层处都插入了adapter，增加了训练参数，弥补精度带来的性能损失。
  
  实验证明，无论是使用16bit、8bit还是4bit的适配器方法，都能够复制16bit全参数微调的基准性能。这说明，尽管量化过程中会存在性能损失，但通过适配器微调，完全可以恢复这些性能。
  
  实验还比较了不同的4bit数据类型对效果（zero-shot均值）的影响，其中，NFloat 显著优于Float，而NFloat + DQ略微优于NFloat，虽然DQ对精度提升不大，但是对于内存控制效果更好。
  为什么QLoRA相比LoRA还能够提升效果呢？
  主要是因为QLoRA由于节省了大量存储空间，所以可以对更多权重矩阵进行微调，实际上，LoRA一般微调和注意力相关的一些Linear层，但QLoRA会微调模型中更多的Linear层，这样QLoRA优化空间更大，往往就能取得更好的微调效果。

相关参数

参考：https://github.com/wp931120/baichuan_sft_lora/blob/main/sft_lora.py

lora_rank(int,optional): LoRA 微调中的秩大小。

lora_alpha(float,optional): LoRA 微调中的缩放系数。

lora_dropout(float,optional): LoRA 微调中的 Dropout 系数。

微调经验

模型选择

目前主流的可微调的模型有ChatGLM，Baichuan，LLAMA，RWKV等。
中文较好的为ChatGLM和Baichuan；
潜力较好的为LLAMA；
RWKV有较好的推理效率（RNN架构决定的，随输入长度内存占比线性增加，而transformer是指数增长）和长度外推性。

模型大小选择

• 一般情况下，参数越大效果越好，资源允许推荐选择30B以上模型；
• 参数多量化低的模型要优于参数低量化高的模型，举例 ：33B-fb4 模型要优于 13b-fb16 模型。

数据处理

• 在数据处理过程中，可能面临各种类型的数据，PDF，Word，HTML，代码文件等等，对于这种不同类型的数据需要都处理成文本，同时还过滤掉一些干扰项或乱码的数据。
• 对于空的文档或文档长度低于100进行过滤，进一步减少噪音。

微调方案

前面已经介绍了几种常见的微调方法，比较推荐采用 Lora 或 QLora两种方法。

英文模型需要做词表扩充吗？

对于像LLaMA模型的词表大小是32K，其主要针对英语进行训练（具体详见LLaMA论文），对多语种支持不是特别理想（可以对比一下多语言经典模型XLM-R的词表大小为250K）。通过初步统计发现，LLaMA词表中仅包含很少的中文字符，所以在切词时会把中文切地更碎，需要多个byte token才能拼成一个完整的汉字，进而导致信息密度降低。比如，在扩展词表后的模型中，单个汉字倾向于被切成1个token，而在LLaMA中可能就需要2-3个才能组合成一个汉字，显著降低模型的推理效率。

如何避免灾难遗忘

通常有以下方式，可以减少或避免灾难性遗忘问题

• 如果采用LoRA训练出现遗忘时，可以将 lora_rank调大，如从8调到64 ( 原因是与原模型数据领域相差较大的话，需要更大的秩，原论文有说明)。
• 复习 - 跟人一样，在预训练或微调时，回看之前训练的数据。还可以专门把特征图存起来，量化以后放在一个类似于记忆库的地方，之后在新任务上训练的时候从这个记忆库里重构出记忆和新数据一起训练。参考这篇论文。
• MoE - 稀疏门控制的专家混合层，最近爆出 GPT4 是由8个220B 的模型组合。 关于 Moe 相关资料大家自行了解。
• 尝试调小学习率，如chatglm学习率改到2e-4，但训练速度会慢很多。

大模型的幻觉问题

参考
幻觉问题：当模型生成的内容不遵循原文（与给定的输入或源内容不一致）（Faithfulness）或者和事实不符（Factualness），我们就可以认为模型出现了幻觉的问题。
解决思路：
1、加大数据的清洗、筛选粒度，去除低质量的数据，去除不准确信息的数据。2、预训练时给高可信度的来源数据加权。
3、通过Prompt进行控制，例如Langchain中，在Prompt中提出模型不知道的话可以直接回复不知道。
4、选择合适的解码方式。例如top-p更适合创造性的任务，greedy/beam更适合确定性任务等。
5、检索增强，维护高质量的外部知识库，匹配和问题相关的内容，添加到Prompt中供模型学习。

LLM幻觉的解决方案及其应用

微调后的输出有重复问题的原因和解决方法？

复读机问题可能出现的原因包括：

• 数据偏差：大型语言模型通常是通过预训练阶段使用大规模无标签数据进行训练的。如果训练数据中存在大量的重复文本或者某些特定的句子或短语出现频率较高，模型在生成文本时可能会倾向于复制这些常见的模式。
• 训练目标的限制：大型语言模型的训练通常是基于自监督学习的方法，通过预测下一个词或掩盖词来学习语言模型。这样的训练目标可能使得模型更倾向于生成与输入相似的文本，导致复读机问题的出现。
• 缺乏多样性的训练数据：虽然大型语言模型可以处理大规模的数据，但如果训练数据中缺乏多样性的语言表达和语境，模型可能无法学习到足够的多样性和创造性，导致复读机问题的出现。

为了解决复读机问题，可以采取以下策略：

• 多样性训练数据：在训练阶段，尽量使用多样性的语料库来训练模型，避免数据偏差和重复文本的问题。
• 引入噪声：在生成文本时，可以引入一些随机性或噪声，例如通过采样不同的词或短语，或者引入随机的变换操作，以增加生成文本的多样性。
• 温度参数调整：温度参数是用来控制生成文本的多样性的一个参数。通过调整温度参数的值，可以控制生成文本的独创性和多样性，从而减少复读机问题的出现。
• 后处理和过滤：对生成的文本进行后处理和过滤，去除重复的句子或短语，以提高生成文本的质量和多样性。

参考：

https://finisky.github.io/lora/
大模型参数高效微调技术原理综述（二）-BitFit、Prefix Tuning、Prompt Tuning
大模型参数高效微调技术原理综述（三）-P-Tuning、P-Tuning v2
大模型参数高效微调技术原理综述（五）-LoRA、AdaLoRA、QLoRA
QLoRA实战
LLM - finetuning - 踩坑经验之谈