“今天这篇文章是周五hf的daily papers推的文章，然后在x上的热度也蛮高的。类似于上周的两篇偏向于实验性的文章，分别为研究一下大模型微调数据中新旧知识对效果的影响程度、揭秘大模型在知识冲突下的推理行为，在外网的热度都挺高的，可惜浏览量比较低，所以这里贴一下原文地址。gemini pro1.5的技术报告出来了，明天应该看这个。
https://arxiv.org/abs/2405.09673
这篇文章的标题是《LoRA Learns Less and Forgets Less》，大概就是说lora微调比不上全参数微调。当然之前相关的也有一些论文，就是说lora比全参微调效果好或者差不多的。
整个论文是一篇比较长的实验性的论文，文章的实验数据集的方向集中在代码和数学上。训练策略分为2种，CPT、IFT，分别对应Continued Pretraining和Instruction Finetuning。CPT需要控制的参数就是继续预训练的token数量，而IFT需要控制的则是lora_target_modules=[attn_q/k/v,mlp_down/up]以及lora_rank。
下面一张图一张图来看看。
LoRA 在编程和数学任务中表现不佳 上面每一个图都有一个蓝色的带子，分别表示lora微调在target_modules、rank的不同配置下，产生的结果。不同的参数配置自然产生了不同的评测效果，所以绘制了最大值、最小值、中间值的结果。不管哪一张图，黑色线都在蓝色线之上，并且右边 IFT 的2副图的纵轴都是比左边2副图要高的。因此可以得到如下2个结论：
与 CPT 相比，IFT 带来了更明显的效果改进，这是合理的，因为IFT的问题与评估问题更相似 对于CPT，全参微调，可以以更少的训练token数达到lora微调的效果，并且lora微调的，继续预训练的token数量提升，收益提升不大。 对于IFT，二者的差异没有那么明显，但是始终是全参数微调更优的，并且lora微调一般需要4个epoch才能达到最优。 在 LoRA 配置和训练数据量上，它的效果都赶不上全参数微调。这些影响对于编程来说比数学更明显。对于这两个领域，指令微调比持续预训练能带来更大的精度增益。
lora对source领域的遗忘弱于全参数微调
首先这里的纵轴的效果的都是原始领域的数据集，使用代码或者数学微调之后，虚线代表base模型的基准，所以蓝线高则忘得少。
IFT 比 CPT 更容易导致遗忘 编程比数学更容易导致遗忘 遗忘往往会随着数据的增加而增加。在代码 CPT 中，LoRA 的遗忘曲线大致恒定，而完全微调会随着数据的增加而退化；在 IFT 编程中，两种方法在训练更多 epoch 时都会出现遗忘现象。相对而言，数学的CPT遗忘不是那么明显， 可能跟因为 OpenWebMath 数据集以英语句子为主有关
学习新领域知识与遗忘旧知识之间的权衡
LoRA 模型位于右下角——学习更少，忘记更少（点点横坐标越大说明以往的越少，纵坐标越大，说明学习的越好。）。对于代码 IFT，在目标域性能水平相当的情况下，LoRA 表现出更高的源域性能，从而呈现出更好的权衡。
LoRA的正则化特性
与weight decay和attention dropout相比，LoRA 是更强的正则化器。LoRA 提供了更强的正则化：它学到的东西更少，忘记的东西也更少。
LoRA 有助于维持结果生成的多样性。中间全参微调的结果更集中。
对代码和数学进行全面微调不会学习低阶扰动
这里是试图研究的是期望低秩训练能够很好地近似完全微调，如果可以的话，必要的rank是多少。
想覆盖权重变动的90%，基本上需要达到1200往上，差不多是常见rank的100倍。 使用越多的数据训练，这个期望值会越高 mlp需要比attention层更高的rank 第一层和最后一层相对而言，不需要那么高的rank
相比于全参微调，lora对学习率更敏感，最优的学习率会大一个级别，lora：10-4， full ft:10-5
2个数据集，target modules设置都是 ALL > MLP > Attention的顺序是最优的，但是似乎peft默认的很多都是qkv；rank的影响不明显，rank=256 > rank = 8
over~