目录
- 1 大语言模型概述
- 1.1 模型的架构
- 1.2 模型的细节：标记化和嵌入化
- 1.3 模型的核心
- 2 多头注意力机制
- 3 LoRA 概述
- 3.1 冻结部分模型参数
- 3.2 低秩适配（LoRA）
- 3.2.1 核心工作原理：冻结模型参数
- 3.2.2 核心工作原理：添加低秩权重矩阵
- 3.3 QLoRA
⚠️ 本博客仅记录了组会里提及的内容
1 大语言模型概述
1.1 模型的架构
模型的训练过程包含以下步骤：
- 标记化：将文本划分为更小的片段，即标记，便于模型处理；
- 嵌入化：将标记转换为向量，以捕捉语义信息；
- 前向传播：向量在模型中逐层传递并计算输出，直到生成最终的预测值；
- 计算损失：使用损失函数计算预测值与真实值之间的差距；
- 反向传播：根据链式法则，计算损失函数相对于模型中每个参数的梯度；
- 优化器：根据计算出的梯度以及所采用的策略来更新模型的参数；
- 训练迭代：模型多次遍历数据，每次遍历称为一个 epoch，如此循环直至训练收敛。
1.2 模型的细节：标记化和嵌入化
标记化的步骤包括：
- 将输入文本分解为单个句子；
- 将句子进一步分解为标记，即一个小而有意义的单位。
说明：可以根据实际任务需求设置 “标记” 的大小，即它不仅可以是单词，还可以细分到标点，甚至是字母。
嵌入化的步骤包括：
- 将标记映射到词汇字典中的唯一 ID；
- 将 ID 转换为模型可以理解的向量。
注意：正如上周组会所提到的，Embedding 的过程中需要考虑上下文语境。比如，我们希望使用不同的向量来表示 “an apple and an orange” 和 “an apple phone” 中的 “apple” 一词，这是因为 “apple” 在两个句子中的语义不同。
1.3 模型的核心
语言模型的核心由编码器、解码器和注意力机制组成：
- 编码器：处理输入文本并生成丰富的语义表示；
- 解码器：利用编码器的表示生成输出文本，通常以自回归方式逐步预测；
- 注意力机制：帮助模型在生成输出文本时，关注于输入文本中最相关的部分。
我的理解：编码器负责转换为模型理解的形式，解码器负责转换为人类理解的形式。
2 多头注意力机制
这里回顾多头注意力机制，貌似是因为 LoRA 从中汲取了灵感 😇
先计算每个头，公式如下：
h e a d i = A t t e n t i o n ( Q W i Q , K W i K , V W i V ) head_i=\mathrm{Attention}(QW_i^Q, KW_i^K, VW_i^V) headi=Attention(QWiQ,KWiK,VWiV)
再拼接所有头，公式如下：
M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , . . . , h e a d n ) W O \mathrm{MultiHead}(Q,K,V)=\mathrm{Concat}(head_1,...,head_n)W^O MultiHead(Q,K,V)=Concat(head1,...,headn)WO
我们可以通过牺牲模型的表达能力，来换取更快的计算速度。
上图将 Q Q Q 和 K K K 分成四部分，而我们可以只将 Q Q Q 和 K K K 分成两部分。虽然 Q i Q_i Qi 和 K i K_i Ki 的个数减少了，但通过与个数保持不变的 V i V_i Vi 相乘，仍然可以保持 h e a d i head_i headi 的个数保持不变。如下图所示：
我的理解：本质上是减少了 W i Q W_i^Q WiQ 和 W i K W_i^K WiK 的个数。
3 LoRA 概述
3.1 冻结部分模型参数
之所以介绍本小节内容，是因为 LoRA 有用到
- 目的：优化内存使用
- 含义：冻结参数在模型训练过程中不会参与更新
- 该方式使得我们无需保存冻结参数的梯度，从而减少 GPU 内存的使用
例如，我们可以只保留 Transformer 中最后的线性层作为可训练部分，如下图所示：
虽然该方法减少了内存占用并加快了训练速度，但也限制了模型的表达能力和性能。
3.2 低秩适配（LoRA）
- 全称：Low-Rank Adaptation
- 作用：是一种高效的微调方法，旨在减少内存占用和计算资源，同时保持良好的性能表现
3.2.1 核心工作原理：冻结模型参数
- 在使用 LoRA 时，预训练模型的所有参数将被冻结，即这些参数在微调过程中不会被更新；
- 其目的是减少内存占用，同时保留预训练模型所具备的知识。
3.2.2 核心工作原理：添加低秩权重矩阵
- 含义：在模型的某些 “冻结模型参数” 矩阵上，添加一个新的、可训练的低秩矩阵；
- 其中低秩矩阵是两个较小的矩阵 A A A 和 B B B 的乘积结果，即： Δ W = A × B \Delta W=A\times B ΔW=A×B；
- 由于矩阵 A A A 和 B B B 的维度较小，因此能够显著减小可训练参数的数量。
上图中超参数 r r r 的取值为 8 8 8
超参数： r r r、 B e t a = A l p h a / r \mathrm{Beta}=\mathrm{Alpha}/r Beta=Alpha/r
B e t a \mathrm{Beta} Beta 参数的作用：
- 使得模型能够学习对新领域的适配方法，同时又不会偏离原始模型太远；
- 防止过拟合，同时避免遗忘预训练模型已经学到的知识。
GPT：Beta 参数用于控制低秩矩阵对原始模型输出的影响程度。如果 Beta 值较大，那么低秩矩阵的影响会更显著；如果 Beta 值较小，那么其影响则会减弱。
3.3 QLoRA
- QLoRA 在 LoRA 的基础上，进一步对模型参数进行了量化；
- 即在微调前，将模型参数从高精度（如 float32 或 float16）量化到低精度（如 float8 或更低）；
- 该方法大幅减少了模型的内存占用，同时保持了较高的计算效率。
