大模型面试之LoRA

LoRA的解释：一种高效微调预训练神经网络的方法

LoRA 解决的问题：

🔸 2021年初，微软与OpenAI合作探索GPT-3的商业可行性。

🔸 发现仅仅通过提示（prompting）不足以完成生产任务，例如将自然语言转换为代码生成任务。

🔸 微调是必要的，但由于模型检查点的规模庞大，成本过高。

工作原理：

🔸 LoRA通过提出两个问题来推广全量微调（更新每个参数）：

- 是否需要微调所有参数？

- 对于我们要微调的权重矩阵，更新在矩阵秩方面应该有多大的表达能力？

🔸 这两个问题定义了一个二维平面，在这个平面上，全量微调位于一个角（满秩且更新所有参数），而原点代表原始模型。

🔸 平面中的任意一点都是一个有效的LoRA配置。

🔸 更新矩阵的选定秩控制了微调过程的表达能力。

🔸 一个d×d的矩阵可以表示d维向量空间中的任何线性变换。

🔸 通过首先将输入转换到一个较低维度的空间，然后再转回原始空间，我们可以限制可以表示的线性变换类型。

🔸 这样可以减少需要存储的参数数量，从(dxd)减少到(dxr + dxr)，其中r << d。

🔸 接近原点的点通常表现得与全量微调一样好——因为通常神经网络过度参数化&#x