大模型面试之LoRA（非常详细）零基础入门到精通，收藏这一篇就够了

LoRA的解释：一种高效微调预训练神经网络的方法

LoRA 解决的问题：

🔸 2021年初，微软与OpenAI合作探索GPT-3的商业可行性。

🔸 发现仅仅通过提示（prompting）不足以完成生产任务，例如将自然语言转换为代码生成任务。

🔸 微调是必要的，但由于模型检查点的规模庞大，成本过高。

工作原理：

🔸 LoRA通过提出两个问题来推广全量微调（更新每个参数）：

- 是否需要微调所有参数？

- 对于我们要微调的权重矩阵，更新在矩阵秩方面应该有多大的表达能力？

🔸 这两个问题定义了一个二维平面，在这个平面上，全量微调位于一个角（满秩且更新所有参数），而原点代表原始模型。

🔸 平面中的任意一点都是一个有效的LoRA配置。

🔸 更新矩阵的选定秩控制了微调过程的表达能力。

🔸 一个d×d的矩阵可以表示d维向量空间中的任何线性变换。

🔸 通过首先将输入转换到一个较低维度的空间，然后再转回原始空间，我们可以限制可以表示的线性变换类型。

🔸 这样可以减少需要存储的参数数量，从(dxd)减少到(dxr + dxr)，其中r << d。

🔸 接近原点的点通常表现得与全量微调一样好——因为通常神经网络过度参数化，因此权重矩阵中充满了线性相关的元素。

🔸 这表明我们可以从低秩配置开始，并根据需要逐渐增加秩。

使用LoRA的常见做法：

🔸 如何选择更新矩阵的秩R：从低秩开始，并根据需要增加。

🔸 何时使用全量微调？：当在数据集上进行微调，这些数据集完全不同于基础模型预训练的数据集时（例如，如果你正在用火星语数据对英语模型进行微调，则可能需要全量微调）。

🔸 LoRA是否适用于任何模型架构？：只要模型使用矩阵乘法，就可以应用LoRA。因此，几乎所有的模型架构都可以使用LoRA！

LoRA的好处：

🔸 减少检查点大小：在GPT-3上，检查点大小从1TB减少到了25MB。

🔸 没有额外的推理延迟：LoRA更新可以在推理过程中与原始参数合并。W_new = W_old + AxB

🔸 快速切换任务的能力：LoRA模块可以高效地加载和卸载。（A_frenchxB_french）、（A_germanxB_german）、（A_spanishxB_spanish）

LoRA带来的一些有趣的想法：

🔸 在RAM中缓存LoRA模块以实现更快的模型切换和在不同的微调之间进行路由。

🔸 在训练集的不同批次上并行训练多个LoRA模块。

🔸 创建一个自适应模型树，其中每个节点是一个LoRA模块。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取