在文章Firefly(流螢): 中文對話式大語言模型、中文對話式大語言模型Firefly-2b6開源，使用210萬訓(xùn)練數(shù)據(jù)中，我們介紹了關(guān)于Firefly（流螢）模型的工作。對大模型進行全量參數(shù)微調(diào)需要大量GPU資源，所以我們通過對Bloom進行詞表裁剪，在4*32G的顯卡上，勉強訓(xùn)練起了2.6B的firefly模型。

在本文中，我們將介紹QLoRA，由華盛頓大學(xué)提出的一種高效微調(diào)大模型的方法，可在單張A100上對LLaMA-65B進行微調(diào)。在論文中，作者的實驗表明使用QLoRA微調(diào)的LLaMA-65B，可達到ChatGPT性能水平的99.3%（由GPT-4進行評價），并且QLoRA的性能可以逼近全量參數(shù)微調(diào)。作者做了豐富的實驗證明這一結(jié)論。

在本文中我們將對QLoRA的基本原理進行介紹，并且在Firefly項目中進行實踐。我們在bloom-7b1的基礎(chǔ)上，使用QLoRA進行中文指令微調(diào)，獲得firefly-7b1-qlora-v0.1模型，具有不錯的效果，生成效果見第三章。QLoRA確實是一種高效訓(xùn)練、效果優(yōu)秀、值得嘗試和深入研究的方法。

論文地址：

https://arxiv.org/pdf/2305.14314.pdf

項目代碼：

https://github.com/yangjianxin1/Firefly

模型權(quán)重：

https://huggingface.co/YeungNLP/firefly-7b1-qlora-v0.1

01

QLoRA簡介

本章節(jié)主要對LoRA與QLoRA進行介紹，如讀者已了解本章節(jié)的內(nèi)容，可直接跳過，閱讀項目實踐部分。

LoRA簡介

在介紹QLoRA之前，簡單回顧一下LoRA。LoRA的本質(zhì)是在原模型的基礎(chǔ)上插入若干新的參數(shù)，稱之為adapter。在訓(xùn)練時，凍結(jié)原始模型的參數(shù)，只更新adapter的參數(shù)。對于不同的基座模型，adapter的參數(shù)量一般為幾百萬~幾千萬。

LoRA的優(yōu)勢在于能夠使用較少的GPU資源，在下游任務(wù)中對大模型進行微調(diào)。在開源社區(qū)中，開發(fā)者們使用LoRA對Stable Diffusion進行微調(diào)，取得了非常不錯的效果。隨著ChatGPT的火爆，也涌現(xiàn)出了許多使用LoRA對LLM進行指令微調(diào)的工作。

此前，我們也實踐過使用LoRA對LLM進行指令微調(diào)，雖然未進行定量分析，但主觀感受LoRA比全量微調(diào)還是有一定的差距。實踐下來，我們發(fā)現(xiàn)LoRA微調(diào)中存在以下三個痛點：

1. 參數(shù)空間小：LoRA中參與訓(xùn)練的參數(shù)量較少，解空間較小，效果相比全量微調(diào)有一定的差距。

2. 微調(diào)大模型成本高：對于上百億參數(shù)量的模型，LoRA微調(diào)的成本還是很高。

3. 精度損失：針對第二點，可以采用int8或int4量化，進一步對模型基座的參數(shù)進行壓縮。但是又會引發(fā)精度損失的問題，降低模型性能。

QLoRA簡介

接下來便引入今天的主角QLoRA。整篇論文讀下來，我們認為QLoRA中比較重要的幾個做法如下：

1. 4-bit NormalFloat：提出一種理論最優(yōu)的4-bit的量化數(shù)據(jù)類型，優(yōu)于當(dāng)前普遍使用的FP4與Int4。

2. Double Quantization：相比于當(dāng)前的模型量化方法，更加節(jié)省顯存空間。每個參數(shù)平均節(jié)省0.37bit，對于65B的LLaMA模型，大約能節(jié)省3GB顯存空間。

3. Paged Optimizers：使用NVIDIA統(tǒng)一內(nèi)存來避免在處理小批量的長序列時出現(xiàn)的梯度檢查點內(nèi)存峰值。

4. 增加Adapter：4-bit的NormalFloat與Double Quantization，節(jié)省了很多空間，但帶來了性能損失，作者通過插入更多adapter來彌補這種性能損失。在LoRA中，一般會選擇在query和value的全連接層處插入adapter。而QLoRA則在所有全連接層處都插入了adapter，增加了訓(xùn)練參數(shù)，彌補精度帶來的性能損失。

通過上述優(yōu)化，只需要41G顯存即可微調(diào)LLaMA-65B模型。甚至可以直接使用一張1080Ti來微調(diào)LLaMA-13B，手中的舊卡又可以繼續(xù)發(fā)揮余熱了。

作者使用GPT4對各個模型進行評價，結(jié)果顯示，使用QLoRA在OASST1數(shù)據(jù)集上微調(diào)得到的Guanaco-65B模型達到了ChatGPT的99.3%的性能。

作者進一步采用了Elo等級分制度對各個模型進行評價，裁判為人類或者GPT-4。結(jié)果顯示Guanaco-65B和Guanaco-33B均優(yōu)于ChatGPT-3.5。

實驗分析

QLoRA方法是否有用，其與全量參數(shù)微調(diào)的差距有多大？作者使用LLaMA-7B和Alpaca數(shù)據(jù)集進行了實驗。下圖結(jié)果表明，通過插入更多的adapter，能夠彌補QLoRA量化帶來的性能損失，復(fù)現(xiàn)全量參數(shù)微調(diào)的效果。

除此之外，作者還將QLoRA應(yīng)用于RoBERTA和T5，評測其在GLUE和Super-NaturalInstructions數(shù)據(jù)集上的表現(xiàn)。從下表中可以看到，QLoRA+NF4+DQ基本上復(fù)現(xiàn)了BF16全量微調(diào)的實驗指標(biāo)。

下表中LoRA+BF16基本上也復(fù)現(xiàn)了BF16全量微調(diào)的實驗指標(biāo)，如果作者能加上LoRA+FP4或者LoRA+int4的實驗結(jié)果，則可以更清晰地展現(xiàn)LoRA與QLoRA的性能差異。

在指令微調(diào)階段，數(shù)據(jù)質(zhì)量和數(shù)據(jù)數(shù)量，哪一個更重要？作者使用三種不同的訓(xùn)練集，每個數(shù)據(jù)集分別使用5萬、10萬、15萬的數(shù)據(jù)量進行訓(xùn)練。對于下表，縱向來看，隨著數(shù)據(jù)量的增加，指標(biāo)并沒有明顯的提升，說明數(shù)據(jù)量不是關(guān)鍵因素。橫向來看，對于不同的數(shù)據(jù)集，指標(biāo)差距甚大，說明數(shù)據(jù)質(zhì)量更關(guān)鍵。

值得一提的是，在論文中，作者僅使用了9千多條OASST1的數(shù)據(jù)訓(xùn)練得到Guanaco-65B，這進一步驗證了，數(shù)據(jù)質(zhì)量遠比數(shù)量重要，模型的知識來源于預(yù)訓(xùn)練階段。

模型的知識來源于預(yù)訓(xùn)練階段，指令微調(diào)目的是和人類指令進行對齊。在指令微調(diào)階段，數(shù)據(jù)的質(zhì)量與豐富度，遠比數(shù)量更重要。這是最近一段時間，開源社區(qū)以及各個論文強調(diào)的一個結(jié)論，在我們的實踐中也深有體會。

02

項目實踐

在本項目中，我們使用bloom-7b1作為基座模型。數(shù)據(jù)集為moss-003-sft-no-tools，這是由MOSS項目開源的中文指令微調(diào)數(shù)據(jù)集，我們隨機抽取了29萬條作為訓(xùn)練數(shù)據(jù)，訓(xùn)練得到firefly-7b1-qlora-v0.1。

訓(xùn)練時，我們將多輪對話拼接成如下格式，然后進行tokenize。

<s>input1s>target1s>input2s>target2s>...

我們在一張32G顯卡上使用QLoRA進行訓(xùn)練，在所有全連接層處都插入adapter，最終參與訓(xùn)練的參數(shù)量超過1億，相當(dāng)于一個bert-base的參數(shù)量。訓(xùn)練時只計算target部分的損失函數(shù)。

訓(xùn)練超參數(shù)如下所示：

max length	1024
lr_scheduler_type	cosine
batch size	16
lr	2e-4
warmup step	3000
optimizer	paged_adamw_32bit
training step	18萬

模型的訓(xùn)練損失的變化趨勢如下圖所示：

firefly-7b1-qlora-v0.1的使用方式如下：

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer, LlamaTokenizer, BitsAndBytesConfig
import torch


model_name = 'bigscience/bloom-7b1'
adapter_name = 'YeungNLP/firefly-7b1-qlora-v0.1'
device = 'cuda'
input_pattern = '{}'


model = AutoModelForCausalLM.from_pretrained(
    model_name,
    low_cpu_mem_usage=True,
    torch_dtype=torch.float16,
    device_map='auto'
)
model = PeftModel.from_pretrained(model, adapter_name)
model.eval()
model = model.to(device)
tokenizer = AutoTokenizer.from_pretrained(model_name)


text = input('User：')
while True:
    text = input_pattern.format(text)
    input_ids = tokenizer(text, return_tensors="pt").input_ids
    input_ids = input_ids.to(device)
    outputs = model.generate(input_ids=input_ids, max_new_tokens=250, do_sample=True, top_p=0.75, temperature=0.35,
                             repetition_penalty=1.2, eos_token_id=tokenizer.eos_token_id)
    rets = tokenizer.batch_decode(outputs)
    output = rets[0].strip().replace(text, "").replace('', "")
    print("Firefly：{}".format(output))
    text = input('User：')

03

生成效果

下面的樣例均為firefly-7b1-qlora-v0.1模型所生成，未經(jīng)修改，僅供參考。

多輪對話

對話示例1：

對話示例2：

郵件生成

商品文案生成

醫(yī)療問答

創(chuàng)意性寫作

其他例子

04

結(jié)語

在本文中，我們介紹了QLoRA的基本原理，以及論文中一些比較重要的實驗結(jié)論。并且使用QLoRA對bloom-7b1模型進行中文指令微調(diào)，獲得了非常不錯的效果。

從firefly-7b1-qlora-v0.1的生成效果來看，雖然沒有做定量的評測(對LLM做評測確實比較困難)，但就生成效果來看，絲毫不遜色于全量微調(diào)的firefly-2b6-v2。

一些碎碎念：

1. 論文中表明QLoRA能夠媲美全量參數(shù)微調(diào)的效果，雖然可能需要更豐富、多角度的實驗進行驗證，但如果【增大基座模型的參數(shù)量+QLoRA】能夠優(yōu)于【全量微調(diào)較小的模型】，也是非常有意義的。

2. 對基座模型進行量化壓縮，通過增加adapter來彌補量化導(dǎo)致性能損失，是一個非常不錯的idea，論文中的實驗也證實了這一點。并且從我們的實踐效果看來，確實驚艷，效果遠勝LoRA。

3. 最后，如果你手邊的訓(xùn)練資源不足，QLoRA非常值得一試。