大模型面试之LoRA

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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。

在这里插入图片描述