当前位置：首页 > news >正文

【优质书籍推荐】LoRA微调的技巧和方法

news 2025/8/8 11:42:01

大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。今天给大家带来的文章是LoRA微调的技巧和方法，希望能对同学们有所帮助。

文章目录

1. 定义
2. LoRA微调参数
3. 书籍推荐
- 3.1 《从零开始大模型开发与微调：基于PyTorch与ChatGLM》
- 3.2 内容介绍
- 3.3 适合人群
- 3.4 粉丝福利
- 3.5 自主购买

1. 定义

对于大语言模型而言，全量微调的代价是比较高的，需要数百GB的显存来训练具有几B参数的模型。为了解决资源不足的问题，大佬们提出了一种新的方法：低秩适应（Low-Rank Adaptation）。与微调OPT-175B相比，LoRA可以将可训练参数数量减少一万倍，并且GPU显存降低3倍以上。详细内容可参考论文《LoRA: Low-Rank Adaptation of Large Language Models》和HuggingFace PEFT博客文章《Parameter-Efficient Fine-Tuning of Billion-Scale Models on Low-Resource Hardware》。

在这里插入图片描述

LoRA是一种常用的高效微调的训练方法(PEFT)，旨在加快大型语言模型的训练过程，同时减少显存的使用。通过引入更新矩阵对现有权重进行操作，LoRA专注于训练新添加的权重。LoRA方法具有以下的几大优点：

保留预训练权重：LoRA保持先前训练权重的冻结状态，最小化了灾难性遗忘的风险。这确保了模型在适应新数据时保留其现有知识。
已训练权重的可移植性：与原始模型相比，LoRA中使用的秩分解矩阵参数明显较少。这个特点使得经过训练的LoRA权重可以轻松地转移到其他环境中，使它们非常易于移植。
与注意力层集成：通常将LoRA矩阵合并到原始模型的注意力层中。此外，自适应缩放参数允许控制模型对新培训数据调整程度。
显存效率：LoRA改进后具有更高效利用显存资源能力，在不到本机微调所需计算量3倍情况下运行微调任务成为可能。

对于普通用户来说，依然很难满足1/3的显存需求。幸运的是，大佬们又发明了一种新的LoRA训练方法：量化低秩适应（QLoRA）。它利用bitsandbytes库对语言模型进行即时和近无损量化，并将其应用于LoRA训练过程中。这导致显存需求急剧下降，可以在2个3090卡上微调70B的模型。相比之下，要微调同等规模的模型通常需要超过16个A100-80GB GPU，对应的成本将非常巨大。详细内容可参考论文QLoRA: Efficient Finetuning of Quantized LLMs。

在这里插入图片描述

2. LoRA微调参数

首先最关键的参数为：低秩矩阵对应的秩(rank)。为了减少显存，对权重矩阵应用了低秩分解。在LoRA论文中，建议rank设置不小于8（r = 8）。请记住，较高的rank会导致更好的结果，但需要更多的显存。数据集的数量和复杂度越高，所需的rank就越高。

除此之外，另外需要设置的参数即为LoRA微调对应的网络层。最基本的训练对象是查询向量（例如q_proj）和值向量（例如v_proj）投影矩阵。不同模型对应的网络层如下所示：

Model	Model size	Default module
Baichuan	7B/13B	W_packbaichuan
Baichuan2	27B/13B	W_packbaichuan2
BLOOM	560M/1.1B/1.7B/3B/7.1B/176B	query_key_value
BLOOMZ	560M/1.1B/1.7B/3B/7.1B/176B	query_key_value
ChatGLM	36B	query_key_value
Falcon	7B/40B/180B	query_key_value
InternLM	7B/20B	q_proj,v_proj
LLaMA	7B/13B/33B/65B	q_proj,v_proj
LLaMA-2	7B/13B/70B	q_proj,v_proj
Mistral	7B	q_proj,v_proj
Mixtral	8x7B	q_proj,v_proj
Phi	1.5/21.3B/2.7B	Wqkv-Q
Qwen	1.8B/7B/14B/72B	c_attn
XVERSE	7B/13B/65B	q_proj,v_proj
Yi	6B/34B	q_proj,v_proj

3. 书籍推荐

大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。

3.1 《从零开始大模型开发与微调：基于PyTorch与ChatGLM》

在这里插入图片描述

3.2 内容介绍

大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。本书配套示例源代码、PPT课件。

《从零开始大模型开发与微调：基于PyTorch与ChatGLM》共18章，内容包括人工智能与大模型、PyTorch 2.0深度学习环境搭建、从零开始学习PyTorch 2.0、深度学习基础算法详解、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型展示、ResNet实战、有趣的词嵌入、基于PyTorch循环神经网络的中文情感分类实战、自然语言处理的编码器、预训练模型BERT、自然语言处理的解码器、强化学习实战、只具有解码器的GPT-2模型、实战训练自己的ChatGPT、开源大模型ChatGLM使用详解、ChatGLM高级定制化应用实战、对ChatGLM进行高级微调。

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True, device='cuda')
model = model.eval()
response, history = model.chat(tokenizer, "你好", history=[])
print(response)