LoRA 微调大模型的实践经验总结

前两天 SEBASTIAN RASCHKA 博士发了一篇博客介绍了使用LoRA微调大模型的一些实践经验，个人觉得有一定参考价值。总结一下分享给大家。 喜欢记得收藏、点赞、关注。

文末附上原文，欢迎品读

简单介绍下什么是LoRA

在深度学习领域，特别是在大型语言模型（LLM）领域，模型的大小导致更新模型权重的成本非常高。

假设我们有一个含有70亿参数的LLM，这些参数被表示在一个权重矩阵W中。在训练中，为了最小化损失函数，我们会计算一个ΔW矩阵，里面包含了对原始权重的更新信息。

通常的权重更新过程如下：

如果权重矩阵W包含70亿参数，那么权重更新矩阵ΔW也将包含70亿参数，计算ΔW将消耗巨大的计算和内存资源。

为了解决这一问题，Hu等人提出了LoRA方法，该方法通过分解权重变化ΔW到一个低秩表示。更确切地说，LoRA在训练过程中直接学习ΔW的分解表示，从而节省了内存和计算资源。

如上所示，ΔW的分解意味着我们用两个较小的LoRA矩阵A和B来表示大矩阵ΔW。如果A的行数与ΔW相同，B的列数与ΔW相同，我们可以将分解写成ΔW = AB。（AB是矩阵A和B的矩阵乘积结果。）

这样做能节省多少内存呢？这取决于超参数r的秩。例如，如果ΔW有10,000行和20,000列，它存储了2亿参数。如果我们选择的A和B的r=8，那么A有10,000行和8列，B有8行和20,000列，那就是10,000×8 + 8×20,000 = 240,000参数，大约比2亿参数少了830倍。

当然，A和B无法捕捉ΔW所能捕捉的所有信息，因此LoRA其实就是牺牲一定性能来降低计算成本。

主要实验结论

LoRA的一致性 ：尽管训练模型通常具有随机性，但是多次进行LoRA微调的实验结果在测试集上的效果十分稳定。

QLoRA的计算与内存权衡 ：QLoRA是一种在微调时进一步降低内存使用的技术，通过将预训练的权重量化为4位精度，并使用分页优化器来处理内存峰值。QLoRA可以节省33%的GPU内存，但增加了39%的训练时间。

• 默认的16位浮点LoRA：

• 训练时间：1.85小时

• 内存使用：21.33GB

• 4位浮点QLoRA：

• 训练时间：2.79小时

• 内存使用：14.18GB

学习率调度器 ：文章讨论了余弦退火学习率调度器如何调整学习率，模仿余弦曲线逐渐减少学习率以优化收敛并避免过度拟合。实验中引入这种调度器显著改善了SGD性能，但对Adam和AdamW优化器影响较小。

Adam与SGD的比较 ：在7B参数的Llama 2模型训练中，使用AdamW和LoRA的默认设置（r=8）需要14.18GB的GPU内存，而使用SGD需要14.15GB的内存，节省非常有限。

多次训练epoch ：对于50k样本的Alpaca指令微调数据集，增加训练迭代次数后，模型性能出现下降，这表明多轮训练可能不适用于指令微调，因为可能会导致过拟合。

为更多层启用LoRA ：实验显示，如果为更多层启用LoRA，虽然内存需求从14.18GB增加到16.62GB，但模型性能有显著提升。

平衡LoRA超参数R和Alpha ：文章讨论了LoRA权重的缩放系数，发现虽然一般来说是较好的选择，但在某些情况下，不同的和组合可能会产生更好的性能。

在单GPU上训练7B参数模型 ：LoRA技术使得在单个GPU上微调7B参数的模型成为可能。使用QLoRA最优设置（r=256和alpha=512）时，训练一个7B参数模型在A100 GPU上需要大约3小时。

常见问题解答

Q1: 数据集有多重要？

答：数据集对实验至关重要。尽管Alpaca数据集受欢迎，且包含50k的数据，但是只有1k数据的LIMA数据集表现出了更好的性能。

Q2: LoRA是否适用于领域适应？

答：LoRA通常用于引导LLM遵循指令，而不是从预训练数据集中吸收知识。在内存有限时，可以用LoRA对特定领域数据集进行进一步的预训练。

Q3: 如何选择最佳的LoRA的参数r？

答：选择LoRA的参数r是个需要实验的超参数，太大可能导致过拟合，太小可能不足以处理数据集中的任务多样性。

Q4: 是否需要在所有层启用LoRA？

答：目前的研究仅限于在query和key权重矩阵启用LoRA以及在所有层启用。未来的实验可以探索其他层组合的影响。

Q5: 如何避免过拟合？

答：减小r或增加数据集大小可以帮助减少过拟合。还可以尝试增加优化器的权重衰减率或LoRA层的dropout值。

Q6: 其他优化器如何？

答：除了Adam和AdamW，其他优化器如Sophia也值得研究，它使用梯度曲率而非方差进行归一化，可能提高训练效率和模型性能。

Q7: 哪些因素会影响内存使用？

答：内存使用受到模型大小、批量大小、LoRA参数数量以及数据集特性的影响。例如，使用较短的训练序列可以节省内存。

Q8: LoRA与完全微调或RLHF比较如何？

答：虽未进行RLHF实验，但全微调需要更多资源，且可能因过拟合或非理想超参数而性能不佳。

Q9: LoRA权重是否可以合并？

答：可以将多套LoRA权重合并。训练中保持LoRA权重独立，并在前向传播时添加，训练后可以合并权重以简化操作。

Q10: 是否可以逐层调整LoRA的最优rank？

答：理论上，可以为不同层选择不同的LoRA rank，类似于为不同层设定不同学习率，但由于增加了调优复杂性，实际中很少执行。

原文链接

• https://magazine.sebastianraschka.com/p/practical-tips-for-finetuning-llms

技术交流

建了技术交流群！想要进交流群、获取如下原版资料的同学，可以直接加微信号：dkl88194。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

方式①、添加微信号：dkl88194，备注：来自CSDN + 技术交流
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

资料1

资料2