拓冰网站定制 
083、LoRA与QLoRA低秩微调实战上个月给一个内部工具做指令微调，用的是Qwen-7B-Chat。一开始图省事，直接全参微调，batch size开到2，模型加载进去，optimizer state一分配，好家伙，显存直接爆了，OOM报错红闪闪。后来改成qlora，同样的数据，batch size还能开到4，训练速度反而快了，效果也没差多少。今天就把这次折腾期间踩过的坑和觉得值得记录的东西写下来。LoRA是什么，一句话说就是冻结原模型权重，在每一层注入一个低秩旁路，训练的时候只更新这些旁路矩阵。原模型还是那个原模型，但推理的时候可以把旁路矩阵合并回去，或者单独保存旁路权重做增量部署。低秩分解的本质就是假设权重更新量ΔW在低秩空间里，用A和B两个小矩阵相乘去近似，秩r设得越小，parameter越少。比如一个2048×2048的权重矩阵，全量更新是4M参数，但用r=8的LoRA，A是2048×8，B是8×2048，总共3.2万参数，差了俩数量级。QLoRA是在LoRA基础上把原模型的权重量化到4-bit，再用低秩适配器去微调。具体用了NormalFloat4量化，这是针对权重分布是零中心正态分布设计的一种分位数量化，比普通的int4能保留更多有效精度。还有双重量化，对量化常数再做一次量化，又省一点显存。分页优化器用CPU内存换GPU显存，把optimizer state的一些随机访问块挪到CPU，跑大模型的时候不容易被尖峰内存撞爆。当时我用的是HuggingFace的peft库加bitsandbytes，看起来很简单，但细节上的坑不少。先看加载模型的代码。 083、LoRA与QLoRA低秩微调实战
083、LoRA与QLoRA低秩微调实战上个月给一个内部工具做指令微调，用的是Qwen-7B-Chat。一开始图省事，直接全参微调，batch size开到2，模型加载进去，optimizer state一分配，好家伙，显存直接爆了，OOM报错红闪闪。后来改成qlora，同样的数据，batch size还能开到4，训练速度反而快了，效果也没差多少。今天就把这次折腾期间踩过的坑和觉得值得记录的东西写下来。LoRA是什么，一句话说就是冻结原模型权重，在每一层注入一个低秩旁路，训练的时候只更新这些旁路矩阵。原模型还是那个原模型，但推理的时候可以把旁路矩阵合并回去，或者单独保存旁路权重做增量部署。低秩分解的本质就是假设权重更新量ΔW在低秩空间里，用A和B两个小矩阵相乘去近似，秩r设得越小，parameter越少。比如一个2048×2048的权重矩阵，全量更新是4M参数，但用r=8的LoRA，A是2048×8，B是8×2048，总共3.2万参数，差了俩数量级。QLoRA是在LoRA基础上把原模型的权重量化到4-bit，再用低秩适配器去微调。具体用了NormalFloat4量化，这是针对权重分布是零中心正态分布设计的一种分位数量化，比普通的int4能保留更多有效精度。还有双重量化，对量化常数再做一次量化，又省一点显存。分页优化器用CPU内存换GPU显存，把optimizer state的一些随机访问块挪到CPU，跑大模型的时候不容易被尖峰内存撞爆。当时我用的是HuggingFace的peft库加bitsandbytes，看起来很简单，但细节上的坑不少。先看加载模型的代码。