标签：论文前缀微调精读参数 Delta Lora mathrm

【论文精读】

Lora:Low-rank adaptation of large language models

论文地址：Lora:Low-rank adaptation of large language models

年份：2021

引用量：8000+

关键词：LLM的高效微调

现在，LLM训练的主要方法是：首先在通用任务上进行大规模的预训练，然后对预训练好的模型进行微调，以便更好的适应下游任务。

那么如何对模型进行微调呢？

一个简单的想法是：使用特定的任务，对模型的全部参数进行微调。这种方法叫做全量微调。

但是，LLM的参数量非常大，以GPT3为例，GPT3拥有大约175B个参数，如果对GPT3进行全量微调的话，这个成本太高了，令人无法接受。

因此，就提出了各种各样的方法来优化微调过程，这些优化方法统称为高效微调。

本文提出的Lora就是高效微调方法的一种，也是近年来最知名的一种。

Lora的基本思想是什么呢？

假设预训练后，模型的参数矩阵是$W_0\in\mathbb{R}^{d\times d} $，在微调过程中，梯度是$\Delta W \in\mathbb{R}^{d\times d} $，那么在微调后，模型的参数矩阵变为$W_0+\Delta W$。

作者认为，实际上，$\Delta W$的秩是很低的，因此，可以把$\Delta W$分解成两个低维的矩阵，即 $\Delta W = BA$，其中$B\in \mathbb{R}^{d\times r},A\in \mathbb{R}^{r\times d}$，且$r\ll d$。

那么，微调时只需要分别更新$B,A$两个矩阵，最后再计算二者的乘积$BA$，就可以得到梯度$\Delta W$。

这样一来，直接更新$\Delta W$时，需要更新的参数有$d^2$个；但是将$\Delta W$分解为$B,A$的乘积后，只需要更新$d\times r + r \times d = 2rd $个参数。由于$r\ll d$，因此$2rd\ll d^2$，大大减少了参数量。

还是以GPT3-175B为例，当$d=12288$时，令$r$等于1或者2，就能达到很好的微调效果。

若模型的输入为$x$，前向传播后，模型的输出为$h = W_0x$，那么在梯度更新之后，模型的输出为

\[h = (W_0+\Delta W) x = (W_0 + BA)x = W_0 x + BAx \]

在微调开始时，将$A$初始化为随机高斯分布，将$B$初始化为零矩阵。此外，我们在梯度$BA$前乘一个缩放因子$\frac{\alpha}{r}$,其中$\alpha$是常数，$r$是$B$和$A$的维度。这种缩放机制的好处是，当我们需要改变$r$的值时，不必频繁地调整其他超参数。

并且，对于Transformer结构的LLM，在使用Lora进行微调时，作者冻结了其中MLP层的参数，仅仅对Attention层的参数进行了微调。

可以用一张图来表示Lora的计算过程

结论：实验结果表明，使用LoRA方法进行微调，比起其他微调方法，不仅参数量更少，而且在多数任务上得分更高。

全量微调（$FT$）

在微调过程中，所有模型参数都进行梯度更新。一种简单的变体是仅更新某些层而冻结其他层，例如可以仅仅调整最后两层$FT^{top2}$。
$BitFit$：仅仅调整偏置（bias），冻结其他所有参数。
前缀Embedding微调$PreEmbed$：在输入文本前添加一串特殊标记作为"前缀"。这些标记不具有实际含义，而是充当可训练的参数。微调时，只需要对前缀进行训练。推理时，我们将训练好的前缀添加到新的输入中，模型就能输出满足特定任务需求的结果。
前缀层微调$PreLayer$：前缀层微调不仅为输入添加前缀，还直接为每个Transformer层添加单独的前缀。具体来说，在普通的前缀微调中，前缀仅在输入时起作用；而在前缀层微调中，当数据流经模型的每一层时，都会遇到专门为该层设计的前缀参数。在推理时，新的输入会依次通过这些带有专属前缀的层，从而得到更精准的任务输出。
适配器微调：最早的设计($Adapter^H$)是在每个注意力模块和MLP模块后添加适配器层。后来的研究者提出了多种改进版本：$Adapter^L$和$Adapter^P$仅在MLP模块后添加适配器，而$Adapter^D$则通过选择性地删除一些适配器层来进一步提升效率。

$\mathrm{RoBERTa}_{base},\mathrm{RoBERTa}_{large}$

$\mathrm{RoBERTa}$是$\mathrm{BERT}$的升级版。作者从 HuggingFace Transformers 库中获取预训练好的 $\mathrm{RoBERTa}_{base}$（1.25 亿参数）和 $\mathrm{RoBERTa}_{large}$（3.55 亿参数），并比较不同高效微调方法在 GLUE 基准任务上的性能。为了确保公平比较，在与适配器比较时，作者对 LoRA 的评估方式进行了两个关键更改。首先，对所有任务使用相同的批量大小，并使用长度为 128 的序列以匹配适配器baseline。其次，对于 MRPC、RTE 和 STS - B 任务，我们将模型初始化为预训练模型，而不是像全量微调baseline那样初始化为已经适应 MNLI 任务的模型。
$\mathrm{DeBERTa}$

$\mathrm{DeBERTa}$也是 BERT 的一个变体。作者主要比较了在GLUE上，LoRA 是否与完全微调的$\mathrm{DeBERTa}\ XXL$（15 亿参数）的性能相匹配。

Table 2

$\mathrm{GPT-2}_{medium},\mathrm{GPT-2}_{large}$

在表明 LoRA 可以成为自然语言理解（NLU）中全量微调的替代方案之后，作者希望回答： LoRA 在自然语言生成（NLG）模型（如 GPT - 2 中型和大型）上是否仍然占优。由于空间限制，表 3 仅展示在端到端自然语言生成挑战（E2E NLG Challenge）上的结果。
$\mathrm{GPT-3} \ \ 175B$

如表 4 所示，对于$\mathrm{GPT-3} \ \ 175B$，LoRA 在三个数据集上都达到或超过了全量微调baseline。

请注意，并非所有方法都能从更多的可训练参数中单调受益，如图 2 所示。作者观察到，当使用超过 256 个特殊标记进行前缀嵌入调优或超过 32 个特殊标记进行前缀层调优时，性能会显著下降。作为对比，当可训练参数增加时，Lora表现出了更强的可扩展性。