LoRD|基于激活感知的LLMs低秩压缩

LLMs的压缩是降低模型参数量的重要手段。通常对LLMs做压缩的方法有很多，包括量化(Quantization)，稀疏化(Sparsity)，剪枝(Pruning)这些离散的方法，由于它们的不连续性质，压缩后再微调困难是其最大的缺点。

LoRD提出了全新的，基于两个底秩(Low-Rank)矩阵表示权重的方式对权重进行压缩，在获得更低的参数量的同时，保持压缩过程的连续性，并且硬件友好，这使得压缩后微调变得更加轻易做到，甚至做的更好。LoRD考虑了Activation对于压缩Weight的影响，而不是对Weight进行简单的分解，这种综合考虑使得LoRD获得理论的最优解。

论文标题： LORD: LOW RANK DECOMPOSITION OF MONOLINGUAL CODE LLMS FOR ONE-SHOT COM-PRESSION

论文链接： https://arxiv.org/pdf/2309.14021.pdf

摘要

随着大型语言模型（LLMs）在代码生成领域的应用日益广泛，模型的大小、成本和推理速度成为了亟待解决的问题。在本文中，我们探索了一种新的压缩范式——低秩分解（LoRD），该方法能够在不进行稀疏化处理的情况下，通过将大型矩阵分解为两个较小矩阵的乘积来减少模型参数，从而在现代硬件上实现更快速的推理，同时保持模型的全可微性和所有参数的可训练性。

背景

**大型语言模型（LLMs）**已成为提高开发者生产力的关键组件，这些模型的参数量可达数十亿。为了降低模型大小、减少运行成本并提高推理速度，近期提出了多种压缩和加速LLMs推理的方法，包括量化、剪枝和知识蒸馏。然而，这些方法要么需要重新训练，要么存在一些缺陷。

**低秩分解（LoRD）：**LoRD通过将神经网络的密集矩阵分解为两个较小的密集矩阵，利用现代硬件上高度优化的浮点密集矩阵乘法内核。与量化方法相比，LoRD不需要为每种硬件后端编写专门的内核，且在压缩后模型仍然保持全可微，所有参数均可训练。

实验研究

作者对两个系列的代码LLMs——StarCoder和CodeGen进行了研究，发现这些模型的秩可以减少高达39.58%，而困惑度（perplexity）的增加不到1%。研究者们进一步将StarCoder 16B模型压缩到13.2B参数，没有任何性能下降，并且压缩到12.3B参数时，仅出现极小的性能下降。LoRD模型仅通过在代码中更改一行，就可以实现高达22.35%的推理加速。

图 1a 和 1b 显示了 CodeGen 和 StarCoder 模型权重矩阵排名降低的困惑度趋势。对于两个家族中最大的模型，研究者们观察到排名减少 10% 的困惑度仅增加了约 1%，困惑度降低高达 35%，困惑度提高不到 10%。然而，最小的模型 CodeGen Mono 3350M 只能分解为 35% 的等级降低，而困惑度的类似下降。随着 % 等级的降低，较大模型的困惑度变化慢得多，因此可以压缩模式，类似于量化和修剪的观察结果（Li et al., 2020）。需要注意的是，对于大多数模型，超过 50% 会导致显着的输出质量下降。

图 2：变压器中不同线性层的各种纵横比 (α) 的奇偶校验点。

不同线性层的纵横比（Aspect Ratio, α）：

输出投影：α = 1.00，意味着矩阵是方阵，其行数和列数相等。

多查询注意力（Multi-query attention）投影：α = 0.96，接近方阵，表示矩阵较为方正。

典型MLP（多层感知器）投影：α = 0.25，表明矩阵较为“瘦长”，即行数远大于列数。

CodeGen 16B的嵌入和语言模型头部投影：α = 0.12，具有非常小的纵横比，意味着矩阵非常“瘦长”。

秩降低对模型大小的影响：

当秩降低时，如果纵横比α较大，即使秩减少，模型大小也可能暂时增加，因为分解后的矩阵可能包含更多的参数。

对于方阵或接近方阵的矩阵，秩减少50%是达到奇偶点（Parity Point）的阈值，此时分解后的模型大小与原始模型大小相同。

对于更“瘦长”的矩阵，较小的秩减少就足以达到奇偶点，从而实现模型压缩。

压缩与性能权衡：

作者指出，对于大型模型，重新训练是不可行的，因此需要避免对具有高纵横比的层（如输出投影或多查询注意力层）进行分解。

MLP中的权重在秩减少20%时就能达到奇偶点，这表明MLP层可能是实现压缩的良好候选者。

嵌入和语言模型头部投影虽然理论上可以通过分解来压缩，但由于它们在模型总权重中所占比例较小，因此作者选择不对其进行分解。

减少矩阵纵横比的策略：

通过将具有相同输入向量的层分组，并让它们在分解后共享相同的“瓶颈”矩阵，可以减少矩阵的纵横比。

这种分组方法允许重用计算和权重，从而降低分解后的模型大小，实现压缩。

分解候选层：

作者考虑了多头注意力中的查询（Query）、键（Key）和值（Value）投影矩阵，以及SwiGLU中的门控层，这些层在分组后可以减少纵横比，从而成为低秩分解的良好候选者。

通过这些策略，LoRD技术能够在保持模型性能的同时，有效地减少模型的参数数量和大小，提高推理速度，并与现有的量化技术和参数高效微调方法兼容，为大型语言模型的压缩和优化提供了新的途径。

与量化和LoRA的结合：

LoRD模型与最先进的近无损量化方法（如SpQR）兼容，可以实现额外的压缩增益。此外，LoRD模型在LoRA（一种参数高效的微调方法）上进一步减少了内存需求，比传统的QLoRA减少了21.2%的内存，同时提供了类似的参数高效微调增益。

在变压器模型的压缩研究中，研究者们不仅考虑了秩减少的奇偶点，还分析了不同层对低秩分解的敏感性。图3展示了两个模型族中大型模型的困惑度随参数减少而增加的趋势。研究发现：

\1. 对于CodeGen模型，注意力权重矩阵（包括查询、键和值的投影）在参数显著减少的情况下，困惑度增加最小，这使得它成为分解的最佳候选层。

\2. 即使在秩减少39.58%的情况下，CodeGen模型的困惑度增加仍小于1%。

\3. 在StarCoder模型中，MLP的第二层（mlp 2，负责缩小表示维度）比第一层（mlp 1，负责扩大表示维度）更适合进行低秩分解。

这些发现表明，通过精心选择哪些层进行低秩分解，可以在保持模型性能的同时实现有效的模型压缩。

研究者们对StarCoder和CodeGen系列中最大的16B模型执行了低秩分解，并关注了特定层的参数减少和性能影响：

**1. 层的选择：**选择了StarCoder的MLP 2层和CodeGen的注意力层进行分解，因为它们在减少参数数量方面最有效，同时对困惑度的增加影响最小。

**2. 性能评估：**使用Human Eval数据集评估模型性能，考虑了Pass@1和Pass@10两个指标。

3. StarCoder****模型：在50%的秩减少下，模型参数可压缩至13.2B，而没有损失Pass@1性能；进一步压缩至12.3B参数（62.5%秩减少）时，性能仅轻微下降。

**4. CodeGen模型：**在秩减少方面，CodeGen模型显示出与StarCoder类似的性能下降趋势，但在参数减少方面，由于矩阵分解的纵横比较高，HumanEval得分下降更为显著。

**5. 性能提升：**值得注意的是，某些压缩模型的Pass@1得分甚至略有提高，这与之前的研究中观察到的压缩带来的性能轻微提升一致。

通过精心选择分解层，StarCoder和CodeGen模型在大幅减少参数数量的同时，仍能保持或几乎保持了原有的性能水平。

接下来，研究者们考虑在标准 cuBLAS 浮点内核上访问模型的推理加速（前向传递）。考虑在 A100 GPU 上使用标准 cuBLAS 内核使用 pytorch 后端 (Paszke et al., 2019) 的 Starcoder 的标准 Huggingface 实现 (Wolf et al., 2020)。LoRD 分解模型是通过仅修改一行代码以用额外的线性层 3 替换 MLP 来实现的。研究者们对 1024 个标记和 512 个标记序列进行了基准测试，平均超过 10 次运行，预热 3 次运行。并在图 4 中绘制了按等级减少的相对时间和模型大小：StarCoder 16B 跨等级的时间和模型大小。

虽然 LoRD 能够在相同的精度级别进行压缩，但研究者们研究了分解后的模型是否可以通过量化进一步压缩。表 2 显示了使用 SpQR 的近乎无损量化技术 (Dettmers et al., 2023b) 的不同 LoRDCder 在 8 和 4 位量化级别上的 HumanEval pass@1 结果，并观察到 LoRD 模型可以与量化相结合以进行进一步压缩，对于大多数模型，8 位的性能下降很小，4 位量化的性能下降非常小。还观察到量化后 HumanEval 的轻微增加，类似于 Pangu-Coder2 (Shen et al., 2023)。

研究者们探究了LoRD（低秩分解）技术在减少内存使用方面的潜力，特别是在参数高效的微调方法中。他们使用了QLoRA（一种存储权重为量化格式的LoRA的内存效率更高版本）对LoRD分解后的模型进行了微调，并在代码指令数据集上进行了测试。

关键结果如下：

使用QLoRA对LoRD分解后的模型进行微调，在HumanEval pass@1指标上，13.2B参数的LoRDCoder模型达到了37.80的得分，而12.3B参数的模型达到了37.62，这些结果与完整规模的StarCoder模型的37.74得分相当。LoRD技术不仅提升了模型的推理效率，还成功地降低了内存需求，同时保持了与原模型相似的性能，证明了LoRD在参数高效微调中的有效性。

结论

LoRD作为一种有前景的新范式，为LLMs的压缩提供了一种单次压缩的可能性。LoRD模型不仅易于实现，而且可以针对目标硬件和相应的GEMM内核进行调整，以获得最佳性能。尽管我们的研究仅限于单语言代码LLMs，但低秩分解技术是通用的，不仅限于代码领域，为未来LLMs的压缩提供了新的方向。

引用文献：

Ayush Kaushal, Tejas Vaidhya, Irina Rish. “LORD: Low Rank Decomposition of Monolingual Code LLMs for One-Shot Compression”. Preprint: Work in Progress, 2023.

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。