LoRA (Low-Rank Adaptation)：一种模型微调方法，通过在预训练的深度学习模型中添加低秩矩阵，以实现更高效的参数更新和模型自适应。

本篇文章为论文笔记，图片截取自原论文。

• LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS
• QLORA: Efficient Finetuning of Quantized LLMs
• AdaLoRA: Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning

1 背景

在大语言模型的应用中，往往先训练一个通用的预训练模型，再基于预训练模型进行垂直场景的微调。但大语言模型往往具有很高的参数量，例如 GPT-3 有 1750 亿的参数，如果对它做每个场景的微调，每个微调都要对所有参数进行优化，每个微调也得保存对应的微调参数，这样的训练计算量和储存需求量是不可接受的。

在这个背景下，一些优化方案被提出。例如向原模型中插入适配器层 (Adapter Layer)，微调时仅更新适配器层的参数，保持预训练参数不变。这样每个微调只需要优化极少的适配器参数，每个微调也只需要保存适配器参数，降低了训练计算量和储存需求。但向原模型中插入适配器层，会导致模型变深，在 Batch Size 较小的推理场景下，会严重拖慢模型的推理速度。

LoRA 提出了一种新式的微调方案，通过添加低秩的适配器矩阵与原参数相加实现微调效果，低秩矩阵保证了训练计算量和储存需求量较低。同时简单的相加操作，使微调参数可以和预训练参数合并，合并后的模型与原模型结果完全一致，不影响推理速度。

2 LoRA

2.1 核心思想

对于全量微调方案，公式表示如下：

$$\underset{\mathrm{\Phi }}{max}\sum _{(x,y)\in Z}\sum _{t=1}^{|y|}\log (P_{\mathrm{\Phi }}(y_t|x,y_{<t}))$$

其中，$\mathrm{\Phi }$ 代表预训练模型的参数，通过该公式可以看出我们要优化整个 $\mathrm{\Phi }$ 来最大化模型的预测准确率。

对于 LoRA 微调方案，公式表示如下：

$$\underset{\mathrm{\Theta }}{max}\sum _{(x,y)\in Z}\sum _{t=1}^{|y|}\log (P_{{\mathrm{\Phi }}_0+\mathrm{\Delta }\mathrm{\Phi }(\mathrm{\Theta })}(y_t|x,y_{<t}))$$

其中，$\mathrm{\Theta }$ 代表适配器的参数，通过该公式可以看出，通过适配器参数 $\mathrm{\Theta }$ 决定了 $\mathrm{\Delta }\mathrm{\Phi }$，将其与预训练参数相加后则为模型的实际参数。我们要通过优化参数 $\mathrm{\Theta }$ 来最大化模型的预测准确率。

2.2 方法细节

低秩更新

首先要注意 LoRA 中的 Low-Rank 含义，论文做出了一个重要的假设：下游微调任务对预训练参数 $W_0$ 做出的更新矩阵 $\mathrm{\Delta }W$ 是低秩的。

$$h=(W_0+\mathrm{\Delta }W)x$$

在这个假设下，就可以对 $d\times d$ 的更新矩阵 $\mathrm{\Delta }W$ 进行低秩分解，将其分解为 $d\times r$ 和 $r\times d$ 的两个投影矩阵 $B$ 和 $A$。其中 $r$ 可以取得很小，这样就能显著降低更新矩阵的参数量，即从 $d^2$ 降低到 $2dr$.

$$\begin{array}{rl}& \{\begin{array}{l}h=(W_0+\mathrm{\Delta }W)x\\ \mathrm{\Delta }{W}_{d\times d}=B_{d\times r}{A}_{r\times d}\end{array}\\ \Rightarrow & h=(W_0+BA)x\end{array}$$

初始化

然后需要注意 $B,A$ 的初始值，其中 $A$ 被初始化为均值 $0$ 方差 ${\sigma }^2$ 的高斯分布，$B$ 被初始化为零矩阵，因此初始情况下 $\mathrm{\Delta }W=BA=\mathbf{0}$.

流程图

可合并

同时，注意到预训练参数 $W_0$ 和更新矩阵 $\mathrm{\Delta }W$ 是进行的相加操作，根据矩阵乘法的分配律 $A\times (B+C)=A\times B+A\times C$，可以知道：

$$h=(W_0+\mathrm{\Delta }W)x=W_{0}x+\mathrm{\Delta }Wx$$

即像上图流程一样将 $W_0$ 和 $\mathrm{\Delta }W$ 拆开分别计算，和将 $W_0$ 和 $\mathrm{\Delta }W$ 合并后计算式完全等价的。

那么，如果我们想要不额外引入计算代价，那么就完全可以将 LoRA 适配层与预训练权重合并，合并后的模型和原模型结构完全一致。但这样的代价就是得保存全部微调权重。

如果我们想要节省储存空间，那么就可以不合并权重，这样如果对一个预训练权重有多个微调，那么只需要保存一份原始权重和多个很小的 LoRA 适配权重，节省大量储存空间。

作用位置

最后，在 LoRA 应用于 Transformer 架构的 LLM 中时，论文提出的方法只向注意力参数添加适配层，即仅微调注意力参数 $Q,K,V,O$，而注意力层之间的多层感知机模块则不进行微调。

3 QLoRA

在模型推理中，量化技术可以使模型所需显存成倍降低，使小显存显卡也能运行大参数量的模型（虽然可能会非常慢），但量化技术并不能应用于模型微调中。

QLoRA 是 LoRA 技术的衍生技术，它将量化技术引入 LoRA 微调，使在不显著损失效果的情况下在 48G 显存显卡微调 650 亿参数大模型成为可能。它提出了三个重要方法：

• 4-bit 归一化浮点数量化 (4-bit NormalFloat Quantization)
• 双重量化 (Double Quantization)
• 页面优化 (Paged Optimizers)

3.1 归一化浮点数量化

首先了解一下分位数量化的流程：

1. 将所有样本的数据进行排序，得到各自的 $2^k+1$ 分位数（只有 $2^k$ 个）。
2. 将分位数编码为 $k$ 比特二进制数。
3. 将所有样本映射到对应的分位数编码。

通过分位数编码，可以保证每个编码分组中数的数量相等，是信息论最优的数据类型。但可以发现它的开销很大，第一步的排序就有 $O(n\log n)$ 的复杂度。

归一化浮点数量化的思想基于分位数量化，它假定预训练神经网络的参数分布大多符合 $N(0,\sigma )$，那么就可以用正态分布的分位数来量化模型参数，绕开了高复杂度的排序操作。归一化浮点数量化的流程如下：

1. 获取 $N(0,1)$ 分布的 $2^k+1$ 分位数。
2. 将模型参数从 $N(0,\sigma )$ 归一化到 $N(0,1)$，即所有值在 $[-1,1]$ 范围。
3. 接下来按照分位数量化的步骤操作即可。

下文 4 位归一化浮点数记作 NF4.

3.2 双重量化

可以注意到，上面提到的归一化浮点数量化会引入一个量化参数 $\sigma$（后面记作 $c_2$），如果对于一个 64 大小的量化块，使用 32 位浮点数储存 $c_2$，那么平均每个参数要多消耗 $32\text{bit}/64=0.5\text{bit}$ 空间，双重量化便是为了节省量化参数 $c_2$ 所需空间而提出的。

双重量化使用块大小 256，将原始 32 位浮点数量化到 8 位浮点数，同时又额外引入了一个 32 位浮点量化参数 $c_1$ 储存 $c_2$ 的均值。这样操作之后，平均每个参数要消耗 $8\text{bit}/64+32\text{bit}/(256\cdot 64)\approx 0.127\text{bit}$，降低了约 $75\mathrm{\%}$。

3.3 页面优化

这一点主要与硬件有关，用到了 NVIDIA 的统一内存特性，支持 CPU 和 GPU 之间的内存页面交换（就好像操作系统中内存与外存的页面交换）.

3.4 总体形式

回顾原版的 LoRA 公式如下（添加了数据类型）：

$$y^{\text{BF16}}=W_0^{\text{BF16}}{x}^{\text{BF16}}+B^{\text{BF16}}{A}^{\text{BF16}}{x}^{\text{BF16}}$$

通过上面三个重要方法，QLoRA 的公式表示如下：

$$y^{\text{BF16}}=\text{doubleDequant}(c_1^{\text{FP32}},c_2^{\text{k-bit}},W_0^{\text{NF4}})x^{\text{BF16}}+B^{\text{BF16}}{A}^{\text{BF16}}{x}^{\text{BF16}}$$

其中，双重量化的展开形式为：

$$\text{doubleDequant}(c_1^{\text{FP32}},c_2^{\text{k-bit}},W_0^{\text{NF4}})=\text{dequant}(\text{dequant}(c_1^{\text{FP32}},c_2^{\text{k-bit}}),W_0^{\text{NF4}})$$

可以注意到，QLoRA 的量化反而并不是作用于 LoRA，而是作用于预训练权重。这也好理解，因为 LoRA 模块大小非常小，模型参数主要还是来源于预训练权重，优化重点当然是预训练权重了。

4 AdaLoRA

LoRA 技术对所有层一视同仁设定了固定的秩，忽略了不同模块、不同层在微调任务中的重要性差异。给重要的层分配高秩，给次要的层分配低秩，把算力用到刀刃上，可以在权重大小不变的情况下提升模型效果。

AdaLoRA 是 LoRA 技术的衍生，它提出了一种动态调整模块分配的秩的方法，使算力得到合理分配。

4.1 奇异值分解

假设 $M$ 是一个 $m\times n$ 阶矩阵，其中的元素全部属于实数域或复数域。如此则存在一个分解使得：

$$M=U\mathrm{\Sigma }{V}^{\ast }$$

其中 $U$ 是 $m\times m$ 阶酉矩阵（即 $U{U}^{\ast }=I$），$\mathrm{\Sigma }$ 是 $m\times n$ 阶非负实数对角矩阵，$V^{\ast }$ 是 $n\times n$ 阶酉矩阵，是 $V$ 的共轭转置。这样的分解就称作 $M$ 的奇异值分解。$\mathrm{\Sigma }$ 对角线上的元素 ${\mathrm{\Sigma }}_{i,i}$ 即为 $M$ 的奇异值。（来源：Wikipedia，使用 CC BY-SA 4.0 协议）

矩阵的奇异值代表了矩阵在线性变换过程中的缩放因子。具体来说，矩阵的奇异值可以告诉我们在矩阵作用下，原始空间中的向量会以多大的倍数进行缩放。这些奇异值按照大小排列，最大的奇异值对应的方向表示矩阵变换的主要方向，而较小的奇异值则表示次要方向上的缩放因子。

综上，矩阵的奇异值即可作为分配秩的依据，如果矩阵的某些奇异值非常小，就说明这些奇异值对矩阵效果的影响很小，将它们裁剪掉不会显著影响矩阵的效果。但是奇异值分解的代价昂贵，复杂度为 $O(min(m^{2}n,m{n}^2)$，不可能在训练过程做这个操作。

4.2 近似操作

AdaLoRA 使用了一个巧妙的方法规避显式奇异值分解操作。首先回顾原版 LoRA 的增量矩阵：

$$\mathrm{\Delta }W=BA$$

在 AdaLoRA 中，增量矩阵被拆分为”奇异值分解“的形式：

$$\mathrm{\Delta }W=P\mathrm{\Lambda }Q$$

拆分为该形式后，直接将参数交给优化器去训练，得到的结果就相当于进行了奇异值分解。其中 $\mathrm{\Lambda }$ 初始化为 $0$，$P,Q$ 初始化为高斯分布。

不过有一点需要注意的是，奇异值分解要求 $P,Q$ 为酉矩阵（即 $P{P}^{\ast }=I$），优化器显然不会遵守这个限制。因此人工添加正则化参数来约束优化器：

$$R(P,Q)=||P^{\mathrm{T}}P-I|{|}_F^2+||Q{Q}^{\mathrm{T}}-I|{|}_F^2$$

这个正则化参数挺好理解的，当 $P,Q$ 越近似于酉矩阵时损失值越小，因此让优化器能够尽量找到近似于酉矩阵的 $P,Q$ 参数。

4.3 评估重要性

通过近似奇异值分解后，就要评估每个奇异值的重要性了。

可以直接选用比较大小的方式，将奇异值的大小作为奇异值的重要性，裁剪掉最小的奇异值（即赋值为 $0$），保留大奇异值来减小矩阵秩。论文同时提出了另一种方法，估计当某个参数变为 $0$ 后损失函数值的变化。

同时需要注意的是，将奇异值赋值为 $0$ 在实际实现中，只是使用遮罩 (mask) 覆盖，并没有真正删除。这个操作是为了在错误删除后能够恢复，减小出错概率。