---

论文指路：LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS

🌊 有没有低成本的方法微调大模型？

• 2021年微软提出 LORA ：LOW-RANK ADAPTATION 低秩适配
  • 【什么是秩？】一个矩阵的秩是指矩阵中线性独立的行或列的最大数目；也就是说 一个矩阵的秩越大，它包含的有效信息就越多

🌊 LoRA 的核心思想

• LoRA通过优化在适应过程中 FC 层权重变化 ($\Delta w\in {\mathbb{R}}^{m\times n}$) 的秩分解矩阵 ($A\in {\mathbb{R}}^{m\times r}\times B\in {\mathbb{R}}^{r\times n}$)，来间接调整神经网络中部分层的权重 ($w$) 。不修改预先训练好的权重，而是通过引入一个低秩的矩阵来实现对这些层的适应调整
  • $r<<\min (m,n)$

• 用更小的参数空间存储 模型参数变化量 $\Delta w$
  • $\Delta w$： 模型参数变化量，也就是对原参数 $w$ 变化 $\Delta w$ 可以适配新任务。LoRA 用 A 和 B 计算获得模型参数变化量 $\Delta w$，叠加到原参数 $w$ 上
  

🌊 LoRA 的初始化和 $r$ 的值设定

• 用随机高斯分布初始化 $A$ ，用 0 矩阵初始化 $B$, 保证训练的开始此旁路矩阵依然是 0 矩阵

• 对于一般的任务， $r=1,2,4,...$ 就足够了。而一些领域差距比较大的任务可能需要更大的 $r$

🌊 LoRA 实战：LoraConfig参数详解

目前 LORA 已经被 HuggingFace 集成在了 PEFT（Parameter-Efficient Fine-Tuning） 代码库里
所以，使用也非常简单

from peft import get_peft_config, get_peft_model, LoraConfig, TaskType# preModel = ....from_pretrained(".. bert-base-uncased ..")  # 加载你的预训练模型peft_config = LoraConfig(r=4,  # LoRA 维数lora_alpha=8,  # ΔW 按 α / r 缩放target_modules=["", "", ...],  # 对哪些模块进行微调lora_dropout=0.1  # 默认值为 0
)
model = get_peft_model(preModel, peft_config)  # 预训练模型 -> 加好了 LoRA 之后的模型

---

参考资料: 【LoRA&CN全解析】, 【知乎高赞-大模型轻量级微调】