NLP-大语言模型学习系列目录

一、注意力机制基础——RNN,Seq2Seq等基础知识
二、注意力机制【Self-Attention,自注意力模型】
三、Transformer图文详解【Attention is all you need】
四、大语言模型的Scaling Law【Power Low】
五、大语言模型微调

---

一、为什么需要微调

回顾GPT1,GPT2,GPT3，我们知道GPT3发现了Few-shot 的涌现能力，也就是说预训练好的模型，不用微调更新参数，仅仅通过Prompt 加入Few-shot，GPT3便可以在多个下游任务取得很好的效果。 如下图所示，GPT3在SuperGLUE测试集上，不用经过微调，仅通过Few-shot就能达到和微调后的BERT-Large一样的效果。

并且思维链（CoT)的发现，让我知道通过CoT的方式，LLM的效果还能提升。如下表所示，在需要推理的数学任务上，加入CoT效果可以得到极大的提升。

虽然Prompt Engineering很有效，但是也有一些缺陷：

1. 可以放入上下文中的信息是有限的
2. 复杂任务可能还是需要梯度更新步骤
3. 没有通过指令微调的大模型，指令跟随效果不好（后训练的必要性）

如下图所示，仅通过预训练的语言模型并不一定能理解人类的意图并帮助我们（指令跟随效果不好）。

微调可以提升语言模型的指令跟随能力（指令微调），如下图所示，微调后的语言模型能正确回答提出的问题。

所以当前大模型的训练范式主流仍然是预训练+后训练（微调），下面本文详细的介绍两种微调方式，特别是各种参数高效微调的算法。

二、微调简介

微调主要包含两类：

1. 全参数微调，一般称作Full Fine-Tuning
2. 参数高效微调，Parameter-Efficient Fine-Tuning

全参数微调空间、时间代价高，参数高效微调是指微调少量或额外的模型参数，固定大部分预训练模型（LLM）参数，从而大大降低了计算和存储成本，同时，也能实现与全量参数微调相当的性能。参数高效微调方法甚至在某些情况下比全量微调效果更好，可以更好地泛化到域外场景。

	PEFT	全参数微调
目标	提高预训练模型在特定任务上的性能，使用有限的数据和计算资源	提高预训练模型在特定任务上的性能，使用有限的数据和充足的计算资源
训练时间	较快	较长
计算资源	较少	较多
模型参数	仅修改非常少量的参数	修改所有参数
过拟合	由于仅训练少量参数，较不容易过拟合	由于修改所有参数，更容易过拟合
性能	性能不如微调，但仍然足够好	性能更好

三、全参数微调

全参数微调（Full Fine-tuning）就是继续训练一个预训练语言模型，但这个方法可能需要大量的内存(取决于不同优化器、优化方法）.下面以一个具有65B（650亿）参数的模型为例，展示使用16位混合精度（16-bit mixed precision）进行微调训练时的内存消耗情况。

Model

• 每个参数用16位，也就是2Byte,所以模型参数需要130GB内存
• 每个参数要存梯度，130GB

Optimizer

• 这里提到的 optimizer 存储 parameters 是因为在某些情况下，混合精度训练需要为模型参数同时保留两个版本，模型参数在更新的时候，要用高精度，所以要存一个副本，260GB：
  • 低精度参数（16-bit）：在实际的前向和后向传播过程中，模型的参数是以16位精度（16-bit）进行计算和存储的。这种精度可以减少内存占用，并加速计算过程。
  • 高精度副本（32-bit）：为了避免数值精度的损失，在混合精度训练中，优化器需要维护一个模型参数的高精度副本（通常是32-bit）。这个副本并不用于前向或后向传播的计算，而是用于在每次参数更新时执行更精确的累加操作，以确保最终更新的准确性和模型的稳定性。因此，虽然参数以16位精度参与计算，但优化器还需要保留一个高精度（32位）的版本来进行更新操作。因此，图中的“65B parameters * 4b = 260GB” 指的是这一部分的存储需求，它是优化器需要维护的模型参数的高精度副本。
• Adam的参数260GB+260GB

Activations

• 前向传播和后向传播的一些中间计算量

所以我们可以看到全参数微调对内存的需求很大，即使是65B的中等模型，需要很多张显卡才行（每张显卡80GB内存）。

四、PEFT

PEFT主要有如下几类¹：

• 增加额外参数，如：Prefix Tuning、Prompt Tuning、Adapter Tuning及其变体。
• 引入重参数化，如：LoRA、AdaLoRA、QLoRA。
• 选取一部分参数更新，如：BitFit。
• 混合高效微调，如：MAM Adapter、UniPELT。

1 Intuition behind PEFT

模型微调的背后直觉：

• 微调具有低内在维度，意思是：为了达到令人满意的性能，模型实际需要调整的参数数量并不多。这表明，在一个庞大的模型中，并不需要修改所有的参数，只要修改其中一部分关键的参数就可以让模型获得不错的性能。这一发现是PEFT的核心思想。
• 我们可以用低维的代理参数来重新参数化模型中的一部分原始参数。这意味着在进行模型微调时，我们可以不必对模型的所有参数进行优化，只需找到一些“代理参数”（low-dimensional proxy parameters），这些代理参数是低维的，且能很好地代表原始模型的一部分，从而简化优化的过程。

2 Prefix Tuning

如下图所示，Prefix Tuning在每一个Transformer层都加上一些可训练的virtual token作为前缀，以适应不同的任务。

具体怎么做呢，下图是没有Prefix的注意力计算。

下图是加入Prefix的注意力计算，我们可以看到：

• 前缀不影响原始输入数据本身，在 Prefix Tuning 中 ， 前缀 向量不会在模型输入之前直接添加，不会像 Prompt Tuning 会在输入前添加一个额外的提示词那样。相反，前缀向量是添加在模型的隐藏层（尤其是自注意力机制）中的，影响模型对输入数据的处理，但不改变输入数据本身。
• 比如，假设你有一个输入句子 “Starbucks serves coffee”，这个句子作为输入传入模型，Prefix Tuning 的前缀不会直接拼接在这个句子前，加入到每层自注意力机制的 Key 和 Value 中，从而影响模型的内部计算

在微调时，我们只会更新Prefix这些参数，所以前缀向量的作用是增强自注意力机制中的上下文信息：

• 在 Transformer 模型中，注意力机制的核心在于通过每个 token 之间的关联性来构建上下文。Prefix Tuning 通过给每层 Transformer 添加一组可训练的前缀向量，这些向量与输入的 token 一起作为注意力机制的输入，但它们不对应输入的具体 token，而是额外的信息源。
• 具体来说，在计算注意力分数时，前缀向量作为额外的注意力查询键（key）和值（value）参与自注意力的计算。这意味着，输入的 token 不仅会彼此之间产生注意力分数，还会与这些前缀向量产生注意力，从而增强模型对任务相关上下文的理解。

3 Prompt Tuning

该方法可以看着是Prefix Tuning的简化版本，针对不同的任务，仅在输入层引入virtual token形式的软提示（soft prompt），如下图所示：

特点：

• 相对于Prefix Tuning，参与训练的参数量和改变的参数量更小，更节省显存。
• 对一些简单的NLU 任务还不错，但对硬序列标记任务（即序列标注）表现欠佳。

4 Adapter Tuning

该方法设计了Adapter结构，并将其嵌入Transformer的结构里面，针对每一个Transformer层，增加了两个Adapter结构，在训练时，固定住原来预训练模型的参数不变，只对新增的Adapter结构和Layer Norm 层进行微调。 Adapter结构如下图右边所示：

如下图所示，Adapter可以加在每个Transformer Layer.

Adapter的缺点：

• 添加新层会导致推理速度变慢。
• 这也会使模型变大（可能更难适应现有的GPU资源）。
• 适配器层在推理时需要顺序处理，这可能会破坏模型的并行性。

5 LoRA

LoRA的主要特点为：

• LoRA通过冻结预训练模型的权重，并在Transformer架构的每一层中注入可训练的低秩分解矩阵来解决上述问题。
• 这种方法显著减少了下游任务的可训练参数数量。例如，与GPT-3 175B的全参数微调相比，LoRA将可训练参数数量减少了10,000倍，GPU内存需求减少了3倍。

（1）核心思想

在Transformer中有很多全连接层，这些全连接层涉及到矩阵相乘的运算。论文的一个核心假设是针对于特定的任务，这些全连接层的权重矩阵在低秩的情况下，模型的效果也很好。

所以作者提出在微调时，可以学习模型中全连接矩阵增量的一个低秩表示，同时这里还用到了类似“残差”的思想，不重新学习整个$W$，而是学习一个增量$\Delta W=A\cdot B$，最终的参数为：
$$W_T=W+\Delta W$$
其中$W$是预训练模型的原始参数。同时，原论文只关注注意力层的权重矩阵，如下图所示：

上图右边部分更加具体的结构如下图所示：

这里$r$远小于$d$，假设$d=1000$，$W$矩阵参数量为$1000\times 1000$，若采用低秩分解，设$r=2$，则$A、B$矩阵参数量为$1000\times 2\times 2=4000$远小于$W$，训练的参数量大大减小！

（2）图解

原论文是对Attention的权重矩阵做Lora分解，实际应用也可以对Feed-forward层做，如下图所示。

全连接层一般有两个矩阵，一个上投影矩阵$H\times 4H$，一个下投影矩阵$4H\times H$，可以对每个矩阵做Lora，如下图所示：

同理，Lora也可以在每个Transformer层加，如下图所示：

6 BitFit

BitFit( Bias-terms Fine-tuning)，顾名思义，仅更新Bias项的微调技术。

如下图所示，仅更新Bias项，所需要的内存大大减少。

7 多种不同的高效微调方法对比

如下图所示，PEFT需要更新的参数比例非常小！

多种PEFT方法和全参数微调效果对比²：

总的来说，全参数微调效果最好，如果资源足够首选全参数微调。像LoRA、P-Tuning v2等都是综合评估很不错的高效微调技术。如果显存资源有限可以考虑QLoRA；如果只是解决一些简单任务场景，可以考虑P-Tuning、Prompt Tuning也行。

8 关于PEFT的库

• OpenAI 微调 API

  • 可用的模型：gpt-3.5-turbo-0613，babbage-002 和 davinci-002.

• HuggingFace PEFT 库

  • 实现了 LoRA，Prefix Tuning，Prompt Tuning等；
  • 有多种不同的模型可供适配.

参考资料

---

1. Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning ↩︎

2. Delta Tuning: A Comprehensive Study of Parameter Efficient Methods for Pre-trained Language Models.” Ding et al. 2023 ↩︎