本文主要是介绍使用LoRA和QLoRA微调LLMs:数百次实验的见解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
前言
- 翻译文章《Finetuning LLMs with LoRA and QLoRA: Insights from Hundreds of Experiments》原文地址
- 因译者水平有限,翻译过程中有错误请在评论区指出
提要
LoRA
是用于训练自定义LLM
的最广泛使用、参数效率最高的微调技术之一。从使用QLoRA
节省内存到选择最佳 LoRA
设置,本文为有兴趣应用它的人提供了实用的见解。
引言:充分利用LoRA
在过去的几个月里,我已经进行了数百次涉及LoRA
的实验。几周前,我花时间深入研究了一些LoRA
超参数的选择。
这更像是一本按顺序呈现的实验日记。我希望它对一些人有用。具体来说,我的目标是解决有关QLoRA
的价值、是否用SGD
替换AdamW
、scheduler
的潜在用途以及如何调整LoRA
超参数的问题。
实验方面有很多内容需要讨论,因此我将简要介绍LoRA
。
简而言之,LoRA
是Low-Rank Adaptation
的缩写(Hu et al 2021),他在模型中添加少量可训练参数,而原始模型参数保持冻结。
LoRA
将权重矩阵分解为两个较小的权重矩阵,如下图所示,以以更有效的参数方式近似于完全监督微调。
有关LoRA
的更多详细信息,请参阅我的深度解析文章Parameter-Efficient LLM Finetuning With Low-Rank Adaptation (LoRA)
我们将在本文中讨论以下主题:
- 评估任务和数据集
- 代码框架
- 选择良好的基础模型
- 评估
LoRA
默认值 - 使用
QLoRA
节省内存 - 学习率调度(
scheduler
)计划和SGD
- 多次迭代数据集
LoRA
超参数调节(一):训练所有层的LoRA
LoRA
超参数调节(二):增加R
LoRA
超参数调节(三):更改Alpha
LoRA
超参数调节(四):非常大的R
- 排行榜展示
- 结论
评估任务和数据集
本文的重点是选择最佳参数。为了保持在合理的范围内,我保持数据集固定,并仅专注于LLMs
的监督指令微调(SFT
)
对于模型评估,我从Eleuther AI
的评估工具中选择了一小部分任务,包括TruthfulQA、BLiMP Causative、 MMLU Global Facts以及具有两位数(算术 2ds)和四位数字(算术 4ds)的简单算术任务。
在每个基准测试中,模型性能得分都标准化在0和1之间,其中1是满分。TruthfulQA
展示两个分数,定义如下:
- MSC1:给定一个问题和4~5个答案选项,选择唯一正确的答案。模型选择的答案是它认为完成问题的对数概率最高的答案选项,与其他答案选项无关。得分即为所有问题的简单准确率。
- MSC2:给定一个问题和多个真/假参考答案,得分就是分配给一组真答案的归一化总概率。
作为参考,175B GPT-3模型的TruthfulQA
MC1和MC2值分别为0.21和0.33。
下面通过两个例子来说明算术2ds和算术4ds之间的区别:
- 算术2ds:“59减38等于多少”。“21”
- 算术4ds:“2762加2751等于多少”。“5513”
如上所述,我保持数据集固定,使用经过充分研究或相当常用的Alpaca 数据集进行监督指令微调。当然,还有许多其他数据集可用于指令微调,包括LIMA
、Dolly
、LongForm
、FLAN
等。当然,探索多个数据集和数据集混合的训练将是未来研究的一个有趣的主题。
Alpaca数据集由大约50k个用于训练的指令-响应对组成,输入长度的中位数为110个token(使用Llama 2 SentencePiece tokenizer),如下面的直方图所示。
数据集任务本身的结构如下图所示。
代码框架
我在本文中使用的自定义LLM
微调代码基于开源的Lit-GPT存储库。为了使本文保持简短,我不会详细介绍使用细节,但您可以在此处的Lit-GPT
教程部分找到更详细的介绍。
简单来说,用法如下:
(1)克隆存储库并安装依赖
git clone https://github.com/Lightning-AI/lit-gpt cd lit-gpt pip install -rrequirements.txt
(2)下载模型权重文件
python scripts/download.py \--repo_id mistralai/Mistral-7B-Instruct-v0.1python scripts/convert_hf_checkpoint.py \--checkpoint_dir checkpoints/mistralai/Mistral-7B-Instruct-v0.1
(3)准备数据集
python scripts/prepare_alpaca.py \--checkpoint_dir checkpoints/mistralai/Mistral-7B-Instruct-v0.1# 也可以加载本地CSV文件
python scripts/prepare_csv.py \--csv_dir MyDataset.csv \--checkpoint_dir checkpoints/mistralai/Mistral-7B-Instruct-v0.1
(4)微调
python finetune/lora.py \--checkpoint_dir checkpoints/mistralai/Mistral-7B-Instruct-v0.1/ \--precision bf16-true
(5)合并LoRA
权重
python scripts/merge_lora.py \--checkpoint_dir "checkpoints/mistralai/Mistral-7B-Instruct-v0.1" \--lora_path "out/lora/alpaca/Mistral-7B-Instruct-v0.1/lit_model_lora_finetuned.pth" \--out_dir "out/lora_merged/Mistral-7B-Instruct-v0.1/"cp checkpoints/mistralai/Mistral-7B-Instruct-v0.1/*.json \out/lora_merged/Mistral-7B-Instruct-v0.1/
(6)评估
python eval/lm_eval_harness.py \--checkpoint_dir "out/lora_merged/Mistral-7B-Instruct-v0.1/" \--eval_tasks "[arithmetic_2ds, ..., truthfulqa_mc]" \--precision "bf16-true" \--batch_size 4 \--num_fewshot 0 \--save_filepath "results.json"
(7)推理
python chat/base.py \ --checkpoint_dir "out/lora_merged/Mistral-7B-Instruct-v0.1/"
选择一个好的基础模型
- 第一个任务是为
LoRA
实验选择一个合适的基础模型。为此,我重点关注尚未进行指令微调的模型:phi-1.5 1.3B、Mistral 7B、Llama 2 7B、[Llama 2 13B]和Falcon 40B。请注意,所有实验均在单个A100 GPU上运行。
从上表中我们可以看到,Mistral 7B
模型在数学基准测试中表现非常出色。与此同时,phi-1.5 1.3B
型号由于其相对较小的尺寸,展示了令人印象深刻的TruthfulQA
MC2性能。由于某种原因,Llama 2 13B
在算术基准测试中表现不佳,而较小的Llama 2 7B
在该领域表现明显优于它。
由于研究人员和实践者目前推测phi-1.5 1.3B
和Mistral 7B
可能已经接受过基准测试数据的训练,因此我选择不在我的实验中使用它们。此外,我相信选择剩余模型中最小的模型将提供最大的改进空间,同时保持较低的硬件要求。因此,本文的其余部分将重点关注Llama 2 7B
。
评估LoRA默认值
首先,我使用以下默认设置评估了LoRA
微调模型(这些设置可以在finetune/lora.py脚本中更改):
learning_rate = 3e-4
batch_size = 128
micro_batch_size = 1
max_iters = 50000 # train dataset size
weight_decay = 0.01
lora_r = 8
lora_alpha = 16
lora_dropout = 0.05
lora_query = True
lora_key = False
lora_value = True
lora_projection = False
lora_mlp = False
lora_head = False
warmup_steps = 100
(请注意,batch size为128,但我们使用batch size为1的梯度累积来节省内存;这回产生与batch size为128的常规训练完全相同的训练轨迹。如果您对梯度累积的工作感到好奇,请参阅我的文章Finetuning LLMs on a Single GPU Using Gradient Accumulation)
此配置在总共6,738,415,616个可训练参数中训练了4,194,304个LoRA
参数,在我的机器上使用单个A100花费了大约1.8小时。最大内存使用量为21.33GB。
为了衡量方差,我重复实验了3次,以观察模型性能波动。
正如我们在上表中看到的,各模型之间的性能非常一致和稳定。还值得注意的是,LoRA default
模型在算术方面变的非常糟糕,但这可能是可以预料的,因为据我所知,Alpaca
不包含任何算术任务。
另外,我还看了Meta
使用RLHF
进行指令微调的Llama2 7B
版本。从下表中我们可以看出,Meta
的Llama 2 Chat
模型的算术性能也较差。然而,Chat
模型在其他基准测试(BLiMP
除外)上有了很大改进,我们可以将其用做LoRA
微调的参考。
使用QLoRA节省内存
在开始调整LoRA
超参数之前,我想探索QLoRA
(Dettmers 等人流行的量化 LoRA
技术)提供的建模性能和内存节省之间的权衡。
我们可以通过Lit-GPT
中的--quantize
标志(此处为4位普通浮点类型) 启用QLoRA
,如下所示:
另外,我还尝试了4位浮点精度作为对照。以下是对训练时间和最大内存使用量的影响:
默认LoRA
(使用bfloat-16
):
- 训练时间:6685.75s
- 使用内存:21.33GB
QLoRA
通过--quantize "bnb.nf4"
:
- 训练时间:10059.53s
- 使用内存:14.18GB
QLoRA
通过--quantize "bnb.fp4"
:
- 训练时间:9334.45s
- 使用内存:14.19GB
可以看到QLoRA
将内存需求减少了近6GB。然而,代价是训练时间慢了30%,由于额外的量化和反量化步骤,这是可以预料的。
接下来我们看看QLoRA
训练对模型性能有什么影响:
从上表可以看出,与普通LoRA
相比,QLoRA
对模型性能的影响较小。该模型在算术基准上有所改进,但在 MMLU Global Facts
基准上有所下降。
由于所节省的内存相当可观(通常超过了更长的训练时间,因为它允许用户在较小的 GPU 上运行模型),因此我将在本文的剩余部分使用QLoRA
。
学习率调度(scheduler
)计划和SGD
我在之前的所有实验中都使用了AdamW
优化器,因为它是LLM
训练的常见选择。然而,众所周知,AdamW
优化器可能非常占用内存。这是因为它会为每个模型参数引入两个额外的参数(矩m
和v
)。大型语言模型(LLM
)有很多模型参数,例如我们的Llama 2
模型就有 70 亿个模型参数。
本节探讨是否值得将AdamW
替换为SGD
优化器。然而,对于SGD
优化器来说,引入学习率调度器尤为重要。我选择了余弦退火计划,该计划会降低每个batch
更新后的学习率。
如果您对在PyTorch
中使用学习率调度程序的更多细节感兴趣,我在这里有一个关于它的讲座。
不幸的是,将AdamW
替换为SGD
仅节省了少量内存。
AdamW
:14.18 GBSGD
:14.15 GB
这可能是因为大部分内存都花在大型矩阵乘法上,而不是在内存中保留其他参数。
但这种微小的差异或许是意料之中的。使用当前选择的LoRA
配置 (r=8
),我们有4,194,304个可训练参数。如果 AdamW
为每个模型参数添加2
个附加值(存储在16位浮点数中),则我们有 4194304 × 2 × 16 b i t = 134.22 m e g a b i t s = 16.78 m e g a b y t e s 4194304 \times 2 \times 16\ bit = 134.22\ megabits = 16.78\ megabytes 4194304×2×16 bit=134.22 megabits=16.78 megabytes。
当我们将LoRA
的r
增加到256时,我们可以观察到更大的差异,我们稍后会这样做。在 r = 256 r = 256 r=256的情况下,我们有648,871,936个可训练参数,使用与上述相同的计算,会节省2.6GB的空间。实际测量结果存在3.4GB的差异,这可能是由于存储和复制优化器状态方面的一些额外开销造成的。
对于少量可训练参数,例如在LoRA
和较低r(rank)
值的情况下,将AdamW
与SGD
交换的内存增益可能非常小,与预训练相反,在预训练中我们训练更大的参数数量,此时SGD
的优势将会突出来。
尽管SGD
在这里没有为我们提供显著的内存节省,但我们仍然快速的看一下最终的模型性能:
看来,SGD
优化器的性能与AdamW
不相上下。有趣的是,在AdamW
中加入调度程序后,TruthfulQA
MC2 和 MMLU Global Facts
的性能有所提高,但算术性能却有所下降。(注:TruthfulQA
MC2 是一个广受认可的基准,在其他公开排行榜中也有体现)。目前,我们不会过多强调算术性能,而是使用带有调度程序的AdamW
进行其余实验。
如果你想重现这些实验,我发现最佳的AdamW
学习率为 3e-4,衰减率为0.01
。最佳 SGD 学习率为0.1
,动量为 0.9
。在这两种情况下,我都使用了额外的100步学习率预热。
(基于这些实验,余弦调度器已被添加到 Lit-GPT 中,并在默认情况下启用)。
多次迭代数据集
到目前为止,我已经用50k次迭代训练了所有模型(Alpaca
数据集有50k训练样本)。进一步的问题是我们是否可以通过多次迭代训练集来提高模型性能,因此我以100k迭代运行了之前的实验:
有趣的是,迭代次数增加导致性能全面下降。算术基准的下降最为明显。我的假设是,Alpaca 数据集不包含任何相关的算术任务,当模型更专注于其他任务时,就会主动放弃学习基本算术。
总之,如果我说这一结果不受欢迎,那是在撒谎。这样,我就可以在本文的剩余部分继续进行较短的 50k 次迭代实验。
LoRA
超参数调节(一):训练所有层的LoRA
现在,我们已经探索了有关LoRA
微调脚本的基本设置,让我们把注意力转向LoRA
超参数本身。默认情况下,LoRA
只针对多头自注意模块中的关键矩阵和查询矩阵启用。现在,我们也为值矩阵、投影层和线性层启用了 LoRA
。
LoRA
超参数调节(二):增加R
最重要的LoRA
参数之一是r
,它决定了LoRA
矩阵的秩或维度,直接影响模型的复杂性和容量。较高的r
意味着更强的表现力,但会导致过拟合,而较低的r
则会以牺牲表现力为代价减少过拟合。在所有层都启用LoRA
的情况下,我们将r
从8
增加到16
,看看这对性能有什么影响:
我们可以看到,仅仅增加r
本身就会使结果变得更糟,那么到底发生了什么呢?让我们在下一节一探究竟。
LoRA
超参数调节(三):更改Alpha
在上一节中,我们增加了矩阵秩r
,而LoRA
的alpha
参数保持不变。α
越高,低秩结构或正则化就越受重视,而α
越低,低秩结构或正则化的影响就越小,从而使模型更依赖于原始参数。调整α
有助于在拟合数据和通过正则化模型防止过拟合之间取得平衡。
根据经验,在微调LLM
时,通常选择两倍于rank(r)
的alpha
值(注意,这在处理扩散模型时有所不同)。让我们试一试,看看当我们将alpha
增加两倍时会发生什么:
正如我们所看到的,将alpha
值增加到32,可以得到迄今为止最好的模型!不过,我们也是通过增加需要训练的参数数量才获得了这一改进:
r = 8
:
- 可训练参数数量:20,277,248
- 不可训练参数数量:6,738,415,616
- 使用内存:16.42 GB
r=16
:
- 可训练参数数量:40,554,496
- 不可训练参数数量:6,738,415,616
- 使用内存:16.47 GB
不过,可训练参数的数量仍然很少,不会对峰值内存需求产生明显影响。
总之,我们现在终于开始有所收获,并以更明显的幅度提高了模型性能。那么,让我们继续努力,看看通过增加rank
和alpha
,我们还能将其提升到什么程度:
我还用特别大的rank
(512、1024 和 2048)进行了额外的实验,但结果较差。有些实验在训练过程中甚至没有收敛,因此我没有将它们添加到表格中。
到目前为止,我们可以注意到,最后一行中r=256
和alpha=512
模型的整体性能是最好的。作为额外的对照实验,我重复了alpha
值为1的运行,并注意到较大的alpha
值确实是获得良好性能的必要条件:
我还重复了alpha
为16和32的实验,观察到与选择alpha
为2倍rank
相比,性能同样较差。
LoRA
超参数调节(四):非常大的R
在本文的最后一次调整实验中,我想进一步优化上一节中最佳模型的alpha
值(r=256,最后一行),因为我怀疑这个值可能有点太大了。
从上表可以看出,在提高r
时,选择较大的alpha
值似乎至关重要。
对于r=256
和a=512
的QLoRA
模型,我们的模型显然比基础模型有了显著的改进。与基础模型相比,微调模型唯一表现不佳的地方是四位数算术。不过,考虑到Alpaca
数据集可能不包含此类训练示例,这也是可以理解的。
在上文,我们已经看到,将alpha
选为rank
的2倍(例如r=256
和alpha=512
)的常见建议确实产生了最佳结果,而较小的alpha
值导致了较差的结果。但是,如果将alpha
值提高到 rank
两倍以上的值呢?
根据上表提供的结果,选择alpha
,使其超过 "两倍于rank
"的建议,也会使基准结果变得更糟。
排行榜展示
我们知道,在机器学习中,我们不应该多次使用测试集。否则,我们就有可能过度优化特定任务。因此,我们建议在最终的独立数据集上验证模型。
巧合的是,目前正在进行的NeurIPS LLM Efficiency challenge的重点是在单个GPU上对LLM
进行微调。由于我很想知道 Llama-2 7B
基本模型与我们在Alpaca
上微调的最佳LoRA
模型的对比情况,因此我向他们的排行榜提交了基本模型和微调模型。
我们可以看到,(Q)LoRA
微调的训练时间为10522.77 秒(约3小时),在r=256
设置下需要19.24 GB GPU
内存,它提高了几个基准的性能,但不是所有基准。如果考虑Alpaca
之外的其他微调数据集,并考虑RLHF
等对齐技术,性能还有可能提高。
结论
本文探讨了我们在使用LoRA
训练自定义LLM
时可以调整的各种参数。我们发现,QLoRA
虽然会增加运行时间成本,但却能极大地节省内存。此外,虽然学习率调度计划也有好处,但在AdamW
和SGD
优化器之间进行选择几乎没有什么区别。对数据集进行多次迭代会使结果更糟。通过优化LoRA
设置(包括rank)可以获得最佳性价比。提高rank
会带来更多的可训练参数,这可能会导致更高的过拟合程度和运行时间成本。不过,在增加rank
时,选择适当的alpha
值非常重要。
本文并非详尽无遗,因为我没有时间和资源去探索所有可能的配置。此外,未来还可以通过考虑其他数据集和模型来实现改进。
我希望您能从中获得启示,并将其应用到您的项目中。我尽量减少了关于LoR
、学习率调度计划、梯度累积等各种概念的背景信息和解释,以免这篇文章变得过于冗长。不过,如果你有任何问题或疑虑,我非常乐意与你聊天。
这篇关于使用LoRA和QLoRA微调LLMs:数百次实验的见解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!