共计 1184 个字符，预计需要花费 3 分钟才能阅读完成。
对于大型模型来说，从新训练所有模型参数的全微调变得不可行。比方 GPT-3 175B，模型蕴含 175B 个参数吗，无论是微调训练和模型部署，都是不可能的事。所以 Microsoft 提出了低秩自适应 (Low-Rank Adaptation, LoRA)，它解冻了事后训练好的模型权重，并将可训练的秩的合成矩阵注入到 Transformer 体系结构的每一层，从而大大减少了上游工作的可训练参数数量。
LoRA
对于预训练的权重矩阵 W0，能够让其更新受到用低秩合成示意后者的束缚:
在训练过程中，W0 被解冻，不承受梯度更新，而 A 和 B 蕴含可训练参数。当 h =W0x 时，修改后的正向流传变为:
对 A 应用随机高斯初始化，对 B 应用零初始化，因而 ΔW=BA 在训练开始时为零（这点须要留神）。
这种办法的一个长处是，当部署到生产环境中时，只须要计算和存储 W =W0+BA，并像平常一样执行推理。与其余办法相比，没有额定的提早，因为不须要附加更多的层。
在 Transformer 体系结构中，自关注模块中有四个权重矩阵 (Wq、Wk、Wv、Wo)，MLP 模块中有两个权重矩阵。LoRA 只对上游工作调整关注权重，并解冻 MLP 模块。所以对于大型 Transformer，应用 LoRA 可缩小高达 2 / 3 的 VRAM 使用量。比方在 GPT-3 175B 上，应用 LoRA 能够将训练期间的 VRAM 耗费从 1.2TB 缩小到 350GB。
后果展现
采纳 HuggingFace Transformers 库中的预训练 RoBERTa base (125M) 和 RoBERTa large (355M) 还有 DeBERTa XXL (1.5B) 进行了评估。它们通过不同的微调办法进行微调。
在大多数状况下，应用 LoRA 能够在 GLUE 上获得最佳性能。
GPT-3 175B 在 WikiSQL 和 mnli 匹配的几种自适应办法的可训练参数数的比拟
能够看到应用 GPT-3, LoRA 匹配或超过所有三个数据集的微调基线。
Stable Diffusion
Lora 首先被利用在大语言模型上，然而可能被更多人晓得的还是他在 SD 上的利用：
在 Stable Diffusion 微调的状况下，LoRA 能够利用于将图像示意与形容它们的提醒分割起来的穿插注意力层。下图的细节并不重要，只需晓得黄色块是负责构建图像和文本示意之间关系的块。
所以能够看到这样训练进去的自定义 Lora 模型会十分的小。
我集体试验：Stable Diffusion 进行全面的微调须要起码 24G 的显存。然而应用 Lora，批处理大小为 2 的单过程训练能够在单个 12GB GPU 上实现 (不应用 xformer 的 10GB，应用 xformer 的 6GB)。
所以 Lora 在图像生成畛域也是十分好的一个微调模型的形式。如果你想理解更多，这里是论文地址：
https://avoid.overfit.cn/post/407a85d672384969848f8bc5cb9bc5fe
