QLoRa：利用GPU微调大型语言模型

点击参加51CTO网站内容调查问卷

译者 | 崔皓

审校 | 重楼

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。

我们可以使用PIP获取所有这些：

pip install -q -U bitsandbytes
pip install -q -U git+https://github.com/huggingface/transformers.git 
pip install -q -U git+https://github.com/huggingface/peft.git
pip install -q -U git+https://github.com/huggingface/accelerate.git
pip install -q datasets

接下来，我们可以开始编写Python脚本。

加载和量化GPT模型

我们需要以下导入来加载和量化LLM。

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

对于这个演示，我们将微调EleutherAI预训练的GPT NeoX模型。这是一个拥有200亿参数的模型。注意：GPT NeoX有一个宽松的许可证（Apache 2.0）允许商业使用。

我们可以从Hugging Face Hub获取这个模型和相关的tokenizer：

model_name = "EleutherAI/gpt-neox-20b"
#Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name)

然后，我们需要详细描述量化器的配置，如下：

quant_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16)

• load_in_4bit：模型将以4位精度加载到内存中。
• bnb_4bit_use_double_quant：我们将进行QLoRa提出的双重量化。
• bnb_4bit_quant_type：这是量化的类型。“nf4”代表4位NormalFloat。
• bnb_4bit_compute_dtype：虽然我们以4位加载和存储模型，但我们在需要时会部分地反量化它，并以16位精度（bfloat16）进行所有的计算。

所以，现在我们可以以4位加载模型：

model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=quant_config, device_map={"":0})

然后，我们启用梯度检查点：

model.gradient_checkpointing_enable()

为LoRa预处理GPT模型

这是我们使用PEFT的地方。我们为LoRa准备模型，为每一层添加可训练的适配器。

【编者：PEFT（参数高效微调）库是一个由HuggingFace支持的库，它支持LoRa（低秩适应）】

from peft import prepare_model_for_kbit_training, LoraConfig, get_peft_model
model = prepare_model_for_kbit_training(model)
config = LoraConfig(
    r=8, 
    lora_alpha=32, 
    target_modules=["query_key_value"], 
    lora_dropout=0.05, 
    bias="none", 
    task_type="CAUSAL_LM")
model = get_peft_model(model, config)

在LoraConfig中，你可以调整r、alpha和dropout以在你的任务上获得更好的结果。你可以在PEFT仓库中找到更多的选项和细节。

使用LoRa，我们只添加了800万参数。我们将只训练这些参数并冻结其他所有内容。微调应该很快。

准备你的数据集

对于这个演示，我使用了“english_quotes”数据集。这是一个由著名引语组成的数据集，根据CC BY 4.0许可分发。

markdown
from datasets import load_dataset
data = load_dataset("Abirate/english_quotes")
data = data.map(lambda samples: tokenizer(samples["quote"]), batched=True)

使用QLoRa微调GPT-NeoX-20B

最后，使用Hugging Face Transformers进行微调非常标准。

import transformers
tokenizer.pad_token = tokenizer.eos_token
trainer = transformers.Trainer(
    model=model,
    train_dataset=data["train"],
    args=transformers.TrainingArguments(
        per_device_train_batch_size=1,
        gradient_accumulation_steps=8,
        warmup_steps=2,
        max_steps=20,
        learning_rate=2e-4,
        fp16=True,
        logging_steps=1,
        output_dir="outputs",
        optim="paged_adamw_8bit"
    ),
    data_collator=transformers.DataCollatorForLanguageModeling(tokenizer, mlm=False),
)
trainer.train()

不要忘记optim=”paged_adamw_8bit”。它激活了分页以更好地管理内存。没有它，程序会报内存不足的错误。

运行这个微调应该只需要在Google Colab上花费5分钟。

VRAM消耗应该在15 Gb达到峰值。

就这样，我们免费微调了一个LLM！

使用QLoRa的GPT推理

我们微调的QLoRa模型可以直接使用标准的Hugging Face Transformers进行推理，如下：

text = "Ask not what your country
device = "cuda:0"
inputs = tokenizer(text, return_tensors="pt").to(device)
outputs = model.generate(**inputs, max_new_tokens=20)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

你应该得到这样的输出：

Ask not what your country can do for you, ask what you can do for your country.”– John F.

输出翻译：“不要问你的国家能为你做什么，问你能为你的国家做什么。”– 约翰·F。

我们得到了预期的结果。对于5分钟的微调来说，已经不错了！

结论

在大型语言模型变得更大的同时我们找到了响应的微调工具，QLoRa可以在消费者硬件上对模型进行微调和推理。有了QLoRa的帮助，我们可以在不依赖云计算的情况下，微调数十亿参数的模型，根据QLoRa的相关论文描述，微调并没有带来性能的显著下降。

译者介绍

崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。

原文标题：QLoRa: Fine-Tune a Large Language Model on Your GPU，作者：Benjamin Marie