大模型微调（面经总结）

一、LORA篇

1、介绍一下Lora的原理

LoRA 是一种参数高效微调方法，其核心思想是将原始权重矩阵的更新限制在一个低秩空间内，从而显著减少训练参数量。
不同于传统微调，LoRA 将权重的更新项 $\Delta W$ 表示为两个低秩矩阵 $A\in {\mathbb{R}}^{r\times d}$ 和 $B\in {\mathbb{R}}^{d\times r}$ 的乘积：
$$W^{\prime }=W+\Delta W=W+BA$$
训练阶段只更新两个低秩矩阵 $A$ 和 $B$ ，原始模型权重 $W$ 保持不变；

2、LoRA 是为了解决什么问题提出的？哪些模型适合用 LoRA 微调？什么是低秩分解？

• LoRA 的核心目标：降低大模型微调成本 参数量从 $O(d^2)$ → $O(rd)$
• 适合含大量线性层的 Transformer 架构模型 比如注意力模块的 Q/K/V 投影矩阵、FFN前馈神经网络等

低秩分解：用小矩阵逼近大矩阵

定义：低秩分解是将高维矩阵近似为两个低维矩阵的乘积，以降低表示复杂度。
数学形式：对于 $d\times d$ 的高维矩阵 $W$，找到两个低维矩阵 $A\in {\mathbb{R}}^{r\times d}$ 和 $B\in {\mathbb{R}}^{d\times r}$ 的乘积，使得：

$$W\approx BA$$

• (A) 是 降维矩阵：将原始 $d$ 维空间映射到 $r$ 维子空间（提取关键特征）。
• (B) 是 升维矩阵：将 $r$ 维特征恢复到 $d$ 维空间（重构原始空间的更新）。
• 优势：通过仅优化 (A) 和 (B) 的$2rd$ 个参数（远小于 $d^2$），即可近似表达 (W) 的主要变化，大幅减少计算量。

3、LoRA初始化

LoRA 的初始化通常遵循以下原则：

• 原始模型权重 W 不变

• LoRA 的矩阵：

  • $A$ 通常使用正态分布初始化：nn.Linear(..., bias=False) 默认初始化
  • $B$ 通常初始化为 全零矩阵，这样一开始 $\Delta W=BA=0$，模型输出不会被扰动，保证收敛稳定性

如果A也初始化成0，这样都没法更新了。对于

对于 $y=BAx$：

• 对 B 的梯度：$\frac{\partial L}{\partial B}=\frac{\partial L}{\partial y}\cdot (Ax{)}^T$
• 对 A 的梯度：$\frac{\partial L}{\partial A}=B^T\cdot \left(\frac{\partial L}{\partial y}\right)\cdot x^T$
  向量对矩阵求导规则：
  如果：

• $y=Bz$
• $B\in {\mathbb{R}}^{d\times r}$
• $z\in {\mathbb{R}}^r$
  则有：
  $$\frac{\partial L}{\partial B}=\frac{\partial L}{\partial y}\cdot z^T$$
  📌 这是矩阵微积分中经典的链式法则：
• $\frac{\partial L}{\partial y}$ 是 $d$ 维行向量（外层loss对每个输出的导数）
• $z^T$ 是 $1\times r$ 行向量
• 所以它们的乘积是一个 $d\times r$ 的矩阵（和 B 同型）

4、LoRA初始化秩 r 是怎么选的？为什么不选其他值？

LoRA 中的秩 $r$ 是一个超参数，控制低秩矩阵的维度，通常选取值为 4、8、16、32、64，具体视模型规模和任务而定。

• 太小（如 $r=1$）：表达能力太弱，模型性能下降
• 太大（如 $r=512$）：虽然逼近能力强，但和原始 full fine-tune 差别不大，丧失了 LoRA 节省资源的意义

📌 一般经验：

模型规模	推荐 LoRA 秩 r
<100M 参数	4-8
100M-1B	16
>1B 模型	32 或 64

5、LoRA家族

参考：LoRA及衍生

5.1 LoRA+

将矩阵 B 的学习率设置得比矩阵 A 的学习率高得多

4.2 VeRA

VeRA（Very Efficient Rank Adaptation）是一种改进版 LoRA 微调方法，它固定低秩矩阵 A 和 B（随机初始化后冻结，在所有层之间共享；），仅训练缩放向量 d 和 b，实现参数更少、适配性更强的微调。

等等

4.3 QLoRA

对LoRA进行量化