摘要

文章介绍了QLoRa（Quantized LLMs with Low-Rank Adapters），一种在消费者级别的硬件上微调大型语言模型（LLM）的新方法。QLoRa通过引入4位量化、双重量化和利用nVidia统一内存进行分页，大大减少了微调所需的内存，同时保持了与标准微调相当的性能。文章还提供了如何使用QLoRa微调一个拥有200亿参数的GPT模型的详细步骤，包括硬件和软件的要求，以及如何准备数据集和进行微调。

开篇

微调具有数十亿参数的模型现在可以在消费者硬件上实现。大多数大型语言模型（LLM）过于庞大，无法在消费者硬件上进行微调。例如，要微调一个拥有650亿参数的模型，我们需要超过780 Gb的GPU内存。这相当于十个A100 80 Gb的GPU。换句话说，您需要云计算来微调您的模型。现在，有了QLoRa，只需要一个A100就可以做到。

在这篇博客文章中，将介绍QLoRa的工作原理，同时会描述如何使用QLoRa在GPU上微调一个拥有200亿参数的GPT模型。

注意：我使用我自己的nVidia RTX 3060 12 Gb来运行这篇文章中的所有命令。您也可以使用Google Colab的免费实例来达到相同的效果。如果你想使用一个内存更小的GPU，就必须选择更小的LLM。

QLoRa：使用低秩适配器的量化LLM

2021年6月，Hu等人（2021）在一篇论文中提出这样一个概念，就是为LLM引入低秩适配器（Low-Rank Adapters）。

【编者：低秩low rank是指一个矩阵的秩（rank）比较低，也就是说，这个矩阵中的行向量或列向量之间存在一定的线性相关性，可以用更少的向量来表示整个矩阵。在某些应用中，低秩的矩阵可以帮助我们更好地理解数据的结构和特征，例如在降维、数据压缩、图像处理等领域中都有广泛的应用。】

LoRa为LLM的每一层添加了微小量的可训练参数，即适配器，并冻结所有原始参数。对于微调，我们只需要更新适配器权重，这大大减少了内存占用。

QLoRa通过引入4位量化、双重量化和利用nVidia统一内存进行分页。

下面简单描述，其工作原理：

• 4位NormalFloat量化：这是一种改进量化的方法。它确保每个量化箱中的值数量相等。这避免了计算问题和异常值的错误。
• 双重量化：QLoRa的作者将其定义为：“对量化常数进行量化以节省更多内存的过程。”
• 使用统一内存进行分页：它依赖于NVIDIA统一内存功能，并自动处理CPU和GPU之间的页到页传输。它确保GPU处理无误，特别是在GPU可能内存不足的情况下。

所有这些步骤都大大减少了微调所需的内存，同时几乎与标准微调的性能相当。

使用QLoRa微调GPT模型

QLoRa的硬件要求：

• GPU：以下演示适用于拥有12 Gb VRAM的GPU，对于参数少于200亿的模型，例如GPT-J。我用我的RTX 3060 12 Gb运行了它。如果你有一个更大的卡，拥有24 Gb的VRAM，你可以用一个200亿参数的模型，例如GPT-NeoX-20b。
• RAM：我建议最少6 Gb。大多数最新的计算机都有足够的RAM。
• 硬盘：GPT-J和GPT-NeoX-20b都是非常大的模型。我建议至少有80 Gb的可用空间。

如果你的机器不满足这些要求，Google Colab的免费实例将足够。

【编者：Google Colab是一种云端的Jupyter Notebook环境，由Google提供，用户可以在其中编写和运行Python代码。它提供了免费的GPU和TPU资源，使得用户可以在云端进行机器学习和深度学习的实验，而无需购买昂贵的硬件设备。同时，Google Colab还与Google Drive集成，用户可以将Notebook存储在自己的Google Drive中，并与其他人共享。】

QLoRa的软件要求：

我们需要CUDA。确保它已经安装在你的机器上。

【编者：CUDA (Compute Unified Device Architecture) 是由 NVIDIA 开发的一种并行计算平台和编程模型，它允许开发人员使用 C/C++、Fortran 等高级语言编写并行计算程序，利用 NVIDIA GPU 的并行计算能力加速计算。CUDA 可以在多种操作系统上运行，包括 Windows、Linux 和 macOS。它被广泛应用于科学计算、机器学习、深度学习、图像处理、计算机视觉等领域。】

与此同时还需要如下依赖项：

• bitsandbytes：一个包含我们需要量化LLM所需的所有内容的库。
• Hugging Face Transformers和Accelerate：这些是用于有效训练Hugging Face Hub模型的标准库。
• PEFT：一个提供各种方法实现只微调少量（额外）模型参数的库。我们需要它来进行LoRa。
• Datasets：并不是必选项。我们只会用它来获取一个用于微调的数据集。当然，你也可以提供你自己的数据集。