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
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
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
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
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
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
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
四、AI大模型商业化落地方案
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
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
本文转自 https://blog.csdn.net/Javachichi/article/details/140918820?spm=1001.2014.3001.5502，如有侵权，请联系删除。
640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
