一文彻底搞懂大模型 - Fine-tuning三种微调方式

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">Fine-tuning

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.034em;">在生成式AI和大语言大模型（如GPT、LLaMA）的广泛应用中，微调（Fine-tuning）作为模型适应特定任务的关键步骤，其重要性不言而喻。以下将详细介绍三种流行的微调方式：Prompt-tuning、Prefix-tuning和LoRA，深入理解每种方法的原理、特点及应用场景。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">Fine-tuning

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;visibility: visible;">方式一：Prompt-tuning

什么是ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.034em;text-wrap: wrap;text-align: center;">Prompt-tuning？ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.578px;">Prompt-tuning通过修改输入文本的提示（Prompt）来引导模型生成符合特定任务或情境的输出，而无需对模型的全量参数进行微调。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.578px;">这种方法利用了预训练语言模型（PLM）在零样本或少样本学习中的强大能力，通过修改输入提示来激活模型内部的相关知识和能力。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);">

Prompt-tuning

核心原理：PLM（预训练模型）不变，W（模型的权重）不变，X（模型输入）改变。

Prompt-tuning

如何进行Prompt-tuning？小模型适配下游任务

设计任务相关提示模板，并微调提示嵌入以引导预训练模型适应特定任务。仅需微调少量提示嵌入（Prompt Embeddings），而非整个模型参数。

Prompt-tuning

1. 设计提示模板：

• 模板中应包含任务描述、输入文本占位符、输出格式要求等元素。

• 准备数据集：

• 数据集应包括输入文本、真实标签（对于监督学习任务）或预期输出格式（对于生成任务）。

• 微调提示嵌入：

• 在预训练模型的输入层添加提示嵌入层，使用数据集对模型进行训练，特别是微调提示嵌入。


Prompt-tuning

方式二：Prefix-tuning

什么是Prefix-tuning？Prefix-tuning是Prompt-tuning的一种变体，它通过在输入文本前添加一段可学习的“前缀”来指导模型完成任务。
这个前缀与输入序列一起作为注意力机制的输入，从而影响模型对输入序列的理解和表示。由于前缀是可学习的，它可以在微调过程中根据特定任务进行调整，使得模型能够更好地适应新的领域或任务。

Prefix-tuning
核心原理：PLM（预训练模型）不变，W（模型的权重）不变，X（模型输入）不变，增加W'（前缀嵌入的权重）。


Prefix-tuning

如何进行Prefix-tuning？在 Transformer 中适配下游任务

在Transformer模型的输入层或各层输入前添加可学习的前缀嵌入，并通过训练这些前缀嵌入来优化模型在特定任务上的表现。

1. 初始化前缀嵌入

• 在Transformer模型的输入层之前，初始化一个固定长度的前缀嵌入矩阵。

• 将前缀嵌入与输入序列拼接

• 将初始化好的前缀嵌入与原始输入序列的词嵌入进行拼接，形成新的输入表示。这个新的输入表示将作为Transformer模型各层的输入。

• 训练模型

• 在训练过程中，模型会根据输入序列（包括前缀嵌入）和标签数据进行学习。通过反向传播算法，模型会更新前缀嵌入的参数。


Prefix-tuning

方式三：LoRA

什么是LoRA？LoRA（Low-Rank Adaptation）通过分解预训练模型中的部分权重矩阵为低秩矩阵，并仅微调这些低秩矩阵的少量参数来适应新任务。

对于预训练权重矩阵W0∈Rd×d，LoRa限制了其更新方式，即将全参微调的增量参数矩阵ΔW表示为两个参数量更小的矩阵A、B，即ΔW = AB。

其中，B∈Rd×r和A∈Rr×d为LoRA低秩适应的权重矩阵，秩r远小于d。


LoRA

核心原理：W（模型的权重）不变，X（模型输入）不变，分解ΔW（分解为两个低秩矩阵A、B）。


LoRA
如何进行LoRA微调？在冻结预训练模型权重的基础上，通过优化算法训练低秩矩阵A和B以近似增量参数，最小化下游任务损失，从而实现高效的模型微调。

1. 设置LoRA模块

• 在预训练模型的基础上，添加LoRA模块。LoRA模块通常包含两个参数量较少的矩阵A和B，它们的乘积用于近似全参数微调中的增量参数。

• 初始化矩阵A和B，通常使用高斯函数进行初始化，以确保训练开始时LoRA的旁路（即BA）为0，从而与全参数微调有相同的起始点。

• 训练LoRA模块

• 在训练过程中，冻结预训练模型的权重，仅训练LoRA模块中的矩阵A和B。

• 通过优化算法（如Adam）更新矩阵A和B的参数，以最小化下游任务的损失函数。


LoRA
LLaMA-Factory通过集成LoRA微调方法，为大型语言模型提供高效、低成本的微调方案，支持多模型、多算法和实时监控，仅训练低秩矩阵实现快速适应新任务。

LLaMA-Factory
LoRA参数主要包括秩（lora_rank，影响性能和训练时间）、缩放系数（lora_alpha，确保训练稳定）和Dropout系数（lora_dropout，防止过拟合），它们共同影响模型微调的效果和效率。



1.秩（Rank）

• 参数名称：lora_rank

• 描述：秩是LoRA中最重要的参数之一，它决定了低秩矩阵的维度。

• 常用值：对于小型数据集或简单任务，秩可以设置为1或2；对于更复杂的任务，秩可能需要设置为4、8或更高。

2.缩放系数（Alpha）

• 参数名称：lora_alpha

• 描述：缩放系数用于在训练开始时对低秩矩阵的更新进行缩放。

• 常用值：缩放系数的具体值取决于秩的大小和任务的复杂度。

3.Dropout系数

• 参数名称：lora_dropout

• 描述：Dropout系数决定了在训练过程中随机丢弃低秩矩阵中元素的概率。

• 常用值：Dropout系数的常用值范围在0到1之间。


LoRA