微软 LoRA｜ 使用万分之一的参数微调你的GPT3模型

一、概述

title：LORA: LOW-RANK ADAPTATION OF LARGE LAN- GUAGE MODELS

论文地址：https://arxiv.org/abs/2106.09685

代码：GitHub - microsoft/LoRA: Code for loralib, an implementation of "LoRA: Low-Rank Adaptation of Large Language Models"

1.1 Motivation

1. NLP重要的范式为在通用数据集上预训练，然后特定领域微调，但是随着模型越来越大，继续全量fine-tuning变得越来越不可能。

1.2 Methods

1. 本文提出低秩Adaptation（LoRA），冻结了预先训练的模型参数，将可训练的秩分解矩阵注入到Transformer架构的每一层中，大大减少了下游任务的可训练参数的数量，训练参数只有GPT-3 175B模型的万分之一，GPU内存只需要1/3。

1.3 Conclusion

1. 尽管训练参数少很多，LoRA在RoBERTa，DeBERATa，GPT-2和GPT-3的效果甚至比全量fine-tuning要好，并且不像adpers等方法，不会增加推理latency，不需要降低输入序列长度，同时维持高的模型质量。
2. 可以快速的进行任务的切换，因为在不同任务重其可以共享绝大部分的模型的参数。
3. 可以应用到任意神经网络的dense层。

1.4 Future works

1. LoRA和其他有效的adaptation方法结合。
2. 研究fine-tuning或者LoRA背后的机制。
3. 除了其方式的选择LoRA的权重，是否还有更多的原则来做？
4. ΔW（LoRA学习到的权重） 的秩亏表明 W 也可能是秩亏的，这也可以成为未来工作的灵感来源。

二、详细内容

1 模型结构说明

• 冻结模型原始圈子，只训练A和B矩阵，同时B初始化为零，这样初始阶段B不参与更新。

2 LoRA推理latency比adapter方法要好

• Adaper方法在序列长度比较短的时候，推理latency增加非常多

3 LoRA与Fine-tuning方法，其他Adapter方法在Roberta，deberta模型的效果对比

• LoRA和FT方法效果差不多，各有千秋，但是需要训练的参数少很多。
• 效果和其他Adpt方法也各有千秋，但是推理速度更快

4 LoRA与Fine-tuning方法，其他Adapter方法在GPT-2模型的效果对比

• 在GPT-2系列模型上，比全量fine-tuning以及其他Adapter方法效果都好不少

5 LoRA在GPT3模型上的效果

• 看起来比其他fine-tuning方法以及Adapter方法都要好

6 超参数选择上的表现

• 相对于prefixEmbed，prefixLayer，Adapte人（H）等方法，LoRA表现出更好的可拓展性和表现
• LoRA看着对超参数的选择上没那么敏感，稳定性更好

7 同等参数下，LoRA加到Transformer的那一层效果比较好呢？

• 对Wq和Wv矩阵同时做Adapting效果最佳

8 如何选择参数rank r=?【没咋看懂】

• 同时调整 Wq 和 Wv时候，一个小的值r=1就足以在这些数据集上，而单独训练 Wq 需要一个比较大的值r=4才有不错的效果。