LLM：参数有效性学习——LoRA模型_loralib

随着模型规模的不断扩大，微调模型的所有参数（所谓full fine-tuning）的可行性变得越来越低。以GPT-3的175B参数为例，每增加一个新领域就需要完整微调一个新模型，代价和成本很高。

为解决微调大规模语言模型到不同领域和任务的挑战，已有多种方案，比如部分微调、使用adapters和prompting。但这些方法存在如下问题：

• Adapters引入额外的推理延迟 (由于增加了模型层数)
• Prefix-Tuning难于训练，且预留给prompt的序列挤占了下游任务的输入序列空间，影响模型性能

Adapter Layers

在transformer block后面添加参数很少的层或者norm层。这样做，虽然tuning时要更新的参数少了，但由于加了网络深度，对于latency不友好。 

Prompt tuning/Prefix tuning

这个方法，一是很难优化，二是会降低下游能处理的序列长度。 Prefix-Tuning难于训练，模型性能也并非总是稳步提升。预留一些sequence做adaption会让处理下游任务的可用sequence长度变少，一定程度上会影响模型性能。

 

[参数有效性学习-Adapter和Prefix-Tuning   以及   UniPELT框架]

LoRA: Low-Rank Adaptation of Large Language Models

LoRA的思路

paper：Armen Aghajanyan的Intrinsic Dimensionality Explains the Effectiveness of Language Model Fine-Tuning. 
这篇文章尝试去回答一个问题：为什么用几千几百条样本就能去finetune一个百万量级的模型。
答案是：We empirically show that common pre-trained models have a very low intrinsic dimension; in other words, there exists a low dimension reparameterization that is as effective for fine-tuning as the full parameter space。即只有一些关键维度对finetune起效果。

作者做了个实验：by optimizing only 200 trainable parameters randomly projected back into the full space, we can tune a RoBERTa model to achieve 90% of the full parameter performance levels on MRPC.即将原始权重映射到一个很小的子集再映射回去，依然能训得很好。即只需要更新低秩矩阵，在节省大量资源和时间的情况下，仍能获得不错的效果。

GPT的本质是对训练数据的有效压缩，从而发现数据内部的逻辑与联系，LoRA的思想与之有相通之处，原模型虽大，但起核心作用的参数是低秩的。

LoRA的思想也很简单，在原始PLM旁边增加一个旁路，做一个降维再升维的操作，来模拟所谓的 intrinsic rank 。训练的时候固定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。原始参数的维度是d∗d, 则低秩分解后的参数量级是2∗r∗d，因为这里的r<<d，因此可以起到大幅降低微调参数量级的效果。

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。通过随机高斯分布初始化A，可以引入随机性和非线性，而将B初始化为零矩阵可以确保记忆状态的空白和初始状态。这样可以有效地初始化LoRA模型的参数，为后续的训练和学习过程提供良好的起点。[ailake]

 

两种推断/部署方法

        方法1：将预训练的大模型的checkpoint统一部署，将特定任务训练的 BA 单独部署。当下游任务很多时，存储空间也不会增加很多。
        方法2：在推断时可以利用重参数(reparametrization)思想，将AB与W合并，这样就不会在推断时引入额外的计算了。 即在生产环境部署时，LoRA可以不引入推理延迟，只需要将预训练模型参数 W0 与LoRA参数进行合并（模型合并）即可得到微调后的模型参数： W=W0+BA ，在生产环境中像以前一样进行推理，微调前是计算 h=W0x ，现在计算 h=Wx ，没有额外延迟和原预训练模型是一样的参数量和latency。现在不少模型仅发布LoRA权重，需要本地与基模型进行模型合并才能使用的原理就在于此。

LoRA对哪些参数进行微调

1 LoRA 已经被作者打包到了loralib中：pip install loralib
可以选择用loralib中实现的对应层来替换一些层。

2 基于Transformer结构，LORA只对每层的Self-Attention的部分进行微调，有W_q, W_k, W_v, W_O四个映射层参数可以进行微调。消融实验显示只微调W_q效果略差，微调W_q, W_v的效果和微调W_q, W_k, W_v, W_O的效果相似。
仅在QKV attention的计算中增加一个旁路，而不动MLP模块：We limit our study to only adapting the attention weights for downstream tasks and freeze the MLP modules (so they are not trained in downstream tasks) both for simplicity and parameter-efficiency.

 

对一个参数用比较大的rank更新，不如对多个参数用很小的rank更新，low_rank更新合理。

Rank的取值

作者对比了1-64，效果上Rank在4-8之间最好，再高并没有效果提升。不过论文的实验是面向下游单一监督任务的，因此在指令微调上根据指令分布的广度，Rank选择还是需要在8以上的取值进行测试。

 关于∆W

1, ∆W has a stronger correlation with W compared to a random matrix, indicating that ∆W amplifies some features that are already in W.
2,instead of repeating the top singular directions of W, ∆W only amplifies directions that are not
emphasized in W. 
3, the amplification factor is rather huge: 21.5 ≈ 6.91/0.32 for r = 4.

参数减少量

On GPT-3 175B, we reduce the VRAM consumption during training from 1.2TB to 350GB.
With r = 4 and only the query and value projection matrices being adapted, the checkpoint size is reduced by roughly 10,000× (from 350GB to 35MB). (We still need the 350GB model during deployment; however, storing 100 adapted models only requires 350GB + 35MB * 100 ≈ 354GB as opposed to 100 * 350GB ≈ 35TB.)

代码解析

核心LoraLayer,定义了LoRA的各种超参数以及模型层对应更新方法：

[https://github.com/huggingface/peft/blob/main/src/peft/tuners/lora.py#L123]

线性类，是LoRA模型的具体实现：

[https://github.com/huggingface/peft/blob/main/src/peft/tuners/lora.py#L735]

[代码： GitHub - microsoft/LoRA: Code for loralib]

from:https://blog.csdn.net/pipisorry/article/details/130978244

ref: [LoRA: Low-Rank Adaptation of Large Language Models]

[LoRA: Low-Rank Adaptation of Large Language Models 简读 - 知乎]**

[微软LoRA: Low-Rank Adaptation of Large Language Models 代码解读 - 知乎]