人工智能进入“大模型时代”。
大模型具备更强泛化能力，在各垂直领域落地时，只需要进行参数微调，就可以适配多个场景。因此，发展大模型已成为产学研各界共识。
在大模型开发方面，昇腾推出了大模型开发使能平台，基于昇思MindSpore构建了支撑大模型开发的全流程大模型使能套件，包括TransFormers大模型套件MindSpore TransFormers、以文生图大模型套件MindSpore Diffusion、人类反馈强化学习套件MindSpore RLHF、大模型低参微调套件MindSpore PET，支撑大模型从预训练、微调、压缩、推理及服务化部署。
本期，我们将开启“大模型高效开发的秘密武器”系列之首篇，为大家介绍大模型低参微调套件——MindSpore PET。
MindSpore PET（MindSpore Parameter-Efficient Tuning）是基于昇思MindSpore AI融合框架开发的大模型低参微调套件。当前该套件提供6种算法，包含5种经典的低参微调算法LoRA、Prefix-Tuning、Adapter、LowRankAdapter、BitFit，以及1种用于下游任务精度提升的微调算法R_Drop。低参微调算法只需微调极少量的参数，即可在保持全参微调精度的情况下，大大节约计算和存储内存，减少微调训练的时间；精度提升的微调算法在几乎不增加计算内存及时间情况下，增加模型随机性，防止模型过拟合从而提高模型的正确率。
套件为所有算法提供了API调用接口及使用案例，实现开箱即用，并为低参微调算法提供了只保存极少的可学习参数的接口，使得生成的ckpt文件非常小。
开源仓地址：https://github.com/mindspore-lab/MindPet
LoRA: Low-Rank Adaptation of Large Language Models，是微软提出的一种针对大语言模型的低参微调算法。LoRA假设在适配下游任务时，大模型的全连接层存在一个低内在秩（low intrinsic rank），即包含大量冗余信息。因此提出将可训练的秩分解矩阵注入Transformer架构的全连接层，并冻结原始预训练模型的权重，从而可大大减少参与训练的参数量。
以悟空画画为例，悟空画画模型是基于扩散模型的中文文生图大模型。虽然有强大的能力，但模型网络规模巨大，约9亿参数量，适配下游任务时训练时间长，计算和存储内存开销大。
经分析，悟空画画中使用CLIP模型将人类语言转换成机器能理解的数学向量，并通过 U-Net 模型预测噪声。这两种模型的Attention结构都包含全连接层，适配下游任务时可能含有大量冗余信息。
因此，我们分别在 U-Net的交叉注意力层q、k、v、output四个模块上，注入了LoRA模块，发现效果异常好。
如下图所示，适配LoRA后即使仅训练0.07%参数，也可以生成高质量的图像！
同时，相比全参微调，应用LoRA算法，训练性能也得到大幅提升：原本端到端全参微调需17小时，适配后仅需9小时，节约近50%时间； 计算内存节约40%，可继续增大一倍batch_size，速度更快；最终保存的ckpt大小才3.06MB，不再需要用4个GB保存所有参数。
这说明当有n个下游任务时，仅需保存n x 3.06MB，避免了n x 4GB的“庞然大物”。而且，我们还做了令人振奋的实验。如果用户训练了多种风格的模型，只需0.5s就可以切换风格，真正的无缝切换“毕加索”和“新海诚”！
原因在于MindSpore框架的静态图特性，只需要在第一次正向训练时编图，后续即使加载其它LoRA-ckpt更新参数，也无需重新编图。
为大模型减轻负担的LoRA算法本身用起来也很轻松，端到端仅需简单五步就可以完成适配。
第一步：将模型CrossAttention结构中qkvo的Dense层替换成LoRADense：
第二步：在训练脚本中调用冻结方法，仅训练新增的lora模块：
第三步：在训练脚本中将保存ckpt的ModelCheckpoint替换为TrainableParamsCheckPoint，仅保存需要更新的参数：
第四步：根据训练目标调整学习率、batch_size等参数：
第五步：训练完成后，在评估脚本中分别加载预训练ckpt和微调后生成的ckpt：
目前已经开源所有代码，详细的接口和用例介绍如下：
https://github.com/mindspore-lab/MindPet/blob/master/doc/TK_DeltaAlgorithm_README.md
需要注意的是相比全参微调，适配LoRA后一般要设置更大的学习率。如适配悟空画画时，我们就将学习率从1e-5增大到1e-4。
MindSpore PET - Prefix-Tuning
Prefix-Tuning: Optimizing Continuous Prompts for Generation，也是一种针对大语言模型的低参微调算法。研究人员提出，使用连续的向量而不是离散的词汇来构建前缀模板，即在输入前加入连续的token embedding，可以增加query和key的相关性。因此，Prefix-Tuning通过在每个multi-head attention的 key 矩阵和 value 矩阵前注入可训练的prefix向量k，v，并冻结原始网络参数，来大幅提升生成类任务的性能。
Prefix-Tuning在GPT-2和盘古Alpha大模型上都有很好的效果。与全参微调相比，在保持原有精度的前提下，使用Prefix-Tuning训练盘古Alpha仅需5.5%的参数量，节约了65%以上的计算内存，并将一个迭代的耗时缩短到一半。
MindSpore PET - Rdrop
R-Drop: Regularized Dropout for Neural Networks，是一种用于提升精度的微调算法，主要通过简单的“两次Dropout”来构造正样本进行对比学习，增加模型随机性。具体是在模型加载完一个batch的数据集之后，复制一份该数据，并同时输入到模型中，然后分别计算损失函数，并将结果相加得到最终的loss值。尽管逻辑非常简单，却能很好的防止模型过拟合，进一步提高模型的正确率。经在Bert上多个下游任务上验证，几乎保持同样的内存和时间开销，就能提升2.6个点的精度。
大模型开发到部署是一个高门槛、复杂的过程，大模型使能套件将帮助开发者，让大模型更易开发、易适配、易部署。
想了解更多关于TransFormers大模型套件MindSpore TransFormers、以文生图大模型套件MindSpore Diffusion、人类反馈强化学习套件MindSpore RLHF的相关信息，请关注昇思MindSpore公众号，我们将持续为大家带来人工智能领域技术干货和活动消息。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
