LLM微调技术调研

模型微调是一个循序渐进、不断优化迭代的系统工程，一般需要经过模型选取、任务定义、数据准备、策略选择、模型配置、模型微调、结果评估、优化迭代、模型测试、模型部署等流程，通过系统化、流程化的模型微调，将输出令人满意的结果。具体步骤简述如下：

• 模型选取

  选取一个优秀的基础大模型，比如OpenAI的ChatGPT，Meta的LLaMA2等，成熟的大模型有大厂背书及活跃的社区支持，可以具备高质量的模型能力。

• 任务定义

  定义一个特定领域的任务，比如上文所述的医疗问答任务。

• 数据准备

  收集标签化的专业数据，比如上文的医疗问答数据可分为训练集和测试集，一部分用于训练，一部分用于测试。

• 策略选择

  选择合适的模型微调策略，比如下文将详细描述的PERT或RLHF，选择更适合的微调技术。

• 模型配置

  以第一步选取的基础模型作为起点，完成模型微调前的前置配置。

• 模型微调

  基于选择的微调技术，不同不断的迭代训练模型，期间不断调整参数并监控模型的损失函数即精准度。

• 结果评估

  使用测试数据集验证微调后模型的优劣

• 优化迭代

  基于上一步评估的结果，不断迭代微调过程直到达到满意的预期效果。

• 模型测试

  使用验证模型的性能。

• 模型部署

  将微调后满足预期的模型部署后等待投入推理使用

Fine-Tuning指的是全量参数微调，训练时间成本高。一般较少使用，因此本文重点介绍高效参数微调，通过冻结参数，局部微调，显著提供微调效率。

• Adapter
  在《Parameter-Efficient Transfer Learning for NLP 》论文中提出了Adapter方法，论文指出对预训练模型每层中插入下游任务参数，微调时冻结模型主体参数，仅训练特定任务的参数，最终显著减少训练过程中产生的算力成本。为论证Adapter方法的有效性，论文作者基于BERT Transformer模型，对26种类别的文本任务进行GLUE基准测试，最终Adapter展示了令人满意的效果，在GLUE基准测试中，相比较于100%的全量参数微调，每个任务在仅添加3.6%参数的情况下，仅有0.4% 以内的性能差异。
  如下图所示，Adapter结构在Transformer Layer中加入Adapter Layer，位置分别位于多头注意力的投影之后及第二个前馈层之后，训练时固定原始预训练模型参数，仅对新增的Adapter及Layer Norm层进行微调。其中每个Adapter 由2个Feedward前馈层组成，首个前馈层接受Transformer输出作为输入，通过将高维特征d投影至低维特征m以控制模型参数量，低维特征m经过中间非线性层输出，第二个前馈层将低维特征m反向还原为高维度特征d，最后作为Adapter的输出。

• Prefix Tuning

  基于Prompt的设计灵感斯坦福大学团队在论文中提出的一种通过冻结模型参数，通过连续的特定任务向量而实现的更轻量级模型微调技术。Prefix Tuning属于连续的模板构建，通过把传统人工设计模版中的token替换成可微调的Virtual Token。其中模型输入前添加的连续的针对特定任务的向量序列我们称之为Prefix，通过更新特定任务的Prefix参数大幅提高微调效率。

对于Decoder-only的GPT，prefix只加在句首，模型的输入表示为：

对于Encoder-Decoder的BART，prefix同时加在编码器和解码器的开头：

如下图所示，在下游任务微调时，模型参数被冻结，之后Prefix部分参数被更新，显著提高训练效率。

• LoRA

• 训练难度大
  原始论文指出，训练模型的效果并非严格随prefix参数量单调递增
• 会降低原始文字prompt表达能力
  为节省计算量和显存，我们一般会固定数据的输入长度，增加prefix之后，留给原始文本数据的空间会被挤压，因此可能会降低原始文本prompt的表达能力，使得输入层有效信息减少。

Prefix Tuning训练难度大，那是否有其他的微调方法呢？LoRA（Low-Rank Adaptation）是微软研究团队提出的一种通过冻结预训练模型参数，在Transformer每一层中加入2个可供训练的A、B低秩旁路矩阵（其中一个矩阵负责降维、另一个负责升维），可大幅减少微调参数量的方法。LoRA整体架构如下图：

•   ：预训练权重 
•  ：微调增量更新权重

全参微调可视为冻结的预训练权重W+微调过程中产生的增量更新权重  ，假设输入为x，输出为y，则有  。

如图右侧表示LoRA微调场景，我们用矩阵A和矩阵B近似表示  ：

•   ：低秩矩阵A，其中r被称为“秩”，对A进行高斯初始化。
•   ：低秩矩阵B，对B采用零初始化。

经过拆分，我们将  改写成  的等价形式，微调参数  从降为  ,同时不改变输出数据的维度，即在LoRA下我们可以定义为：  。

其中，论文指出对于AB两个低秩矩阵，会使用超参α（常数）来做调整，以适配更优的微调性能。基于LoRA架构，在原始预训练矩阵的旁路，我们用低秩矩阵A和B来近似代替增量更新权重  ，训练过程中通过固定预训练权重  ，只对低秩矩阵A和B进行微调训练，可大幅提高效率，据论文统计，采用LoRA方法在微调GPT3 175B时，显存消耗从1.2TB降至350GB，极大的降低了训练开销。

4

RLHF

RLHF（Reinforcement Learning from Human Feedback）是基于人类反馈的强化学习。传统基于prompt提示词生成的结果相对主观并依赖上下文，缺少人类的偏好和主观意见。RLHF中使用人类反馈作为性能衡量标准，不断通过反馈结果来优化模型，可使训练后的模型更符合人类预期。RLHF涉及多个模型和多个训练阶段，一般分为以下3大核心步骤：

• 预训练模型
  使用标注过的数据来调整预训练模型参数，例如OpenAI在其InstructGPT中采用较小版本的GPT-3，Anthropic使用1000万-52B参数的Transformer进行训练使其更好的适应特定任务领域。

• 训练奖励模型
  RM奖励模型用于评估文本序列质量，它接收一系列文本并返回数值，数值对应人类的偏好程度。训练数据通常由多个语言模型生成的文本序列组成，这些序列经过人工评估或使用其他模型（比如ChatGPT）进行打分。奖励模型不断指导模型生成更符合人类预期的高质量文本。

• 基于强化学习微调
  利用上一步输出的奖励值，采用强化学习进一步微调，在强化学习中需要定义状态空间、动作空间、策略函数及价值函数。其中，状态空间使输入的序列分布，动作空间是全量的token（词汇表中的词），价值函数基于奖励模型的输出和策略约束，用于评估给定状态下采取特定动作的价值，策略函数根据当前状态选择下一个动作（token），最大化奖励。

本文重点介绍了几种常用微调技术，各种技术的特点描述总结如下表所示：