论文阅读_模型结构_LoRA

英文名称: LoRA: Low-Rank Adaptation of Large Language Models

中文名称: LORA：大语言模型的低阶自适应

论文地址: http://arxiv.org/abs/2106.09685

代码: https://github.com/microsoft/LoRA pytorch，风格简捷

时间: 2021-10-16

作者: Edward J. Hu

引用量: 657

1 读后感

LoRA 是 Low-Rank 的缩写，它是一种大模型微调技术。一开始用于优化自然语言模型，但是后来自然语言模型后来选择了 Prompt 的道路；而该技术在图像领域得到了广泛的应用，比如 Stable Diffusion 的一众 LoRA 模型，从背景风格到人物形像，不用精调 2-8 G 的基础模型，通过训练只有几十到几百兆 LoRA 模型，就可以实现建模。

它针对的问题是：当模型大到一定程度，比如 GPT-3 有 175B 参数，精调变得费时而昂贵。其解决方法是：它修改了 fine-tune 过程，提出低阶自适应技术，冻结了预训练的模型权重，并将可训练的秩分解矩阵注入到 Transformer 架构的每一层中，这大大减少了下游任务中可训练参数的数量。其的效果是：与使用 Adam 微调的 GPT-3 175B 相比，LoRA 可以将可训练参数数量减少 10,000 倍，GPU 内存需求减少 3 倍。且推理时没有额外延迟。

2 介绍

2.1 感性理解

先用图像建模举个例子，比如使用 LAION-5B 数据集训练底模，它包含 58.5 亿个图像 - 文本对，如果我们在其基础上用 200 张图片精调模型，可以想见，最终模型的大多数参数与底模差异不大；如果也使用与原模型一样大的空间存储是很浪费的，需要保留的只是当前风格和通用风格的差异，信息量并不大。这种情况下，使用 LoRA 模型，相当于对两个模型的差异做降维后再存储。这种情况下，相对于 5G 的底模，LoRA 模型可能只有 10-20M。

2.2 LoRA 优势

之前的优化 fine-tune 的方法主要有：只精调部分参数，训练额外层，调节激活函数等，这些方法精调效果往往不是很好，有的还会引起推理延迟。LoRA 优势如下：

对于一个大模型，可针对不同下游任务训练多个 LoRA 小模型，方便存储和切换。
训练效率更高，硬件需求更低，只需要优化注入的小得多的低秩矩阵。
与完全微调的模型相比，不会引入推理延迟。
LoRA 与许多现有方法正交，可与其中许多方法相结合。

（既不复杂，使用时也没有太多限制条件）

3 背景知识

3.1 矩阵的秩 Rank

矩阵的秩是指矩阵中线性独立的行向量或列向量的最大数量，即矩阵中的最大线性无关行（或列）的数量。对于一个 m 行 n 列的矩阵，它的秩记为 r，r 的取值范围是 0 到 min(m, n)。当 r = 0 时，表示该矩阵是一个零矩阵，所有元素都为零。

3.2 全秩 Full-Rank

当 r = min(m, n) 时，表示矩阵的所有行（或列）都是线性无关的，即全秩（满秩，full-rank）矩阵。

3.3 低秩 Low-Rank

低秩表示（Low-Rank Representation，简称 LRR）的基本思想是将高维数据表示为低维子空间中的低秩表示。假设数据中的信息可以由较少的关键特征表示。通过将数据表示为低秩矩阵，LRR 可以实现降维和去噪的效果，从而提取出数据中的重要特征。

4 方法

4.1 低秩参数矩阵

之前论文《Intrinsic Dimensionality Explains the Effectiveness of Language Model Fine-Tuning》证明，预训练的语言模型具有较低的“内在维度”（实际不需要那么大维度），即使随机投影到较小的子空间，仍可有效学习。我们假设权重的更新 fine-tune 也具有较低的“内在维度”。

将预训练的权重矩阵定义为 W0，其维度为 d×k，通过用低秩分解 W0 + ΔW = W0 + BA 用后者来约束其更新，其中 B 为 d×r 维，A 为 r×k 维，并且秩 r << min(d, k)。训练期间，W0 被冻结，不更新，而 A 和 B 包含可训练参数。W0 和 ΔW = BA 都与相同的输入相乘，并且它们各自的输出向量按维度求和。

\[ h = W_0x + ∆W x = W_0x + BAx \]

对 A 使用随机高斯初始化，对 B 使用零初始化，因此 ΔW = BA 在训练开始时为零。然后按 α/r 缩放 ΔW x，其中 α 是 r 中的常数，调整 α 与调整学习率大致相同。

这里的 r 需要设置，如果 r 与 d 维度相同，即降维时，理论上其效果和 fine-tune 一致，而具体 r 如何设置详见对比实验部分。

4.2 将 LORA 应用于 Transformer 框架

从原理来看，LoRA 可用于任何神经网络中。在 Transformer 架构中，自注意力模块中有四个权重矩阵（Wq、Wk、Wv、Wo），MLP 模块中有两个。研究限制为仅调整下游任务的注意力权重，并冻结 MLP 模块。后面的对比实验针对这四个矩阵做了 LoRA 测试。

这样做最显著的好处是减少内存和存储量。对于使用 Adam 训练的大型 Transformer，如果使用 r << d 的模型，可以将 VRAM 使用量减少多达 2/3。在 GPT-3 175B 上，可将训练期间的 VRAM 消耗从 1.2TB 减少到 350GB。当 r = 4 并且仅调整查询和值投影矩阵时，检查点大小减少了大约 10,000 倍（从 350GB 到 35MB）。

RoLA 还允许支持定制多个模型，这些模型可在预训练权重存储在 VRAM 中的机器上动态地换入换出。与完全微调相比，由于不需要计算绝大多数参数的梯度，GPT-3 175B 训练期间的速度提高了 25%。

5 实验

实验部分分别对 RoBERTa，GPT-2，GPT-3 做了针对下游任务的对比实验，从实验部分可以看到，LoRA 模型参数非常少，且效果往往不低于 fine-tune，有时效果更好。

6 对比实验

6.1 在 Transformer 中的哪些权重矩阵上应用 LORA

文中实验限定了参数整体大小，针对不同的 LoRA 设置，对比模型性能。这里只考虑了自注意力中的权重矩阵，如果使用 1 种类型的注意力权重，则 r = 8；如果使用 2 种类型，则对应于 r = 4，结果如表 5 所示：

实验证明 Wq,Wv 组合可提供最佳性能，4 阶也能捕获足够的 ΔW 信息，因此适应更多的权重矩阵比适应具有更大阶数的单一类型权重效果更好。

6.2 最佳 rank 的大小是多少

实验对比了不同秩大小的模型效果，可以看到，r=1 时 Wq，Wv 就可以满足一定效果，而单独调节 Wq 需要更大的 r。这说明 ΔW 只需要很低的秩（另外两个实验也验证了数据的低秩性质）。

6.3 ΔW 与 W 对比

观察 ∆W 与 W 的相关性，具体方法是将 W 映射到 ∆W 的 r 维子空间中，然后用 Frobenius 范数，对比其一致性。

实验得出结论：与随机矩阵相比，ΔW 与 W 具有更强的相关性；ΔW 不重复 W 的顶部奇异方向，而是仅放大 W 中未强调的方向；放大系数相当大：r = 4 时为 21.5 ≈ 6.91/0.32。这表明低秩适应矩阵可能会放大特定下游任务的重要特征，这些特征是在一般预训练模型中学习但未强调的。

7 实用技巧

7.1 LoRA 与基础模型

根据 LoRA 原理可知，LoRA 保存的是精调与基础模型（底模）差异的降维数据，所以 LoRA 与训练它的底模强相关，一般 LoRA 描述中也有对其底模的说明，一般情况下，至少二者的 2D/现实风格需要一致。

当然也有像 “Detail Tweaker LoRA” 这样不挑底模的 LoRA。

7.2 LoRA 权重

在引用 LoRA 时，可在 Prompt 中指定 LoRA 权重，一般默认为 1，虽然 SD 是基于 LDM 技术，理论上，其特征是连续的，可微调的，但是将 LoRA 设得太大，结果往往也是反常识的。

7.3 多个 LoRA 叠加

操作时可以叠加使用多个 LoRA。实际使用时，尽量叠加不同类型的 LoRA，比如一个增加画面细节，另一个修改背景风格，它们调整的往往不是一组权重，问题不大；但是不建议叠加同一类型的 LoRA，在同一组权重上反复计算，效果往往不可控。