笔记：LoRA，一种针对大语言模型的参数高效微调方法

论文地址： $2106.09685$ LoRA: Low-Rank Adaptation of Large Language Models

本笔记的目的不是完全对论文进行解释，而是重在理解LoRA的思想。

1.核心思想

2.关键优势

3.主体架构

1.核心思想

核心假设： 大模型适配时的权重更新矩阵具有低内在秩，无需全秩更新。

实现方式： 冻结预训练权重，注入低秩矩阵，权重更新为，前向传播为。

初始化： 随机高斯初始化，初始化为，训练初；用缩放输出，稳定超参。

推理优势： 可将与合并，无额外推理延迟。

2.关键优势

参数极省 ：GPT-3 175B 场景下，可训练参数减少1 万倍 ，显存占用降3 倍。

训练高效：无需计算冻结参数梯度，训练吞吐量提升约 25%，硬件门槛降低。

部署灵活：共享预训练模型，仅切换小尺寸 LoRA 权重即可快速切任务。

效果等价：在 RoBERTa、DeBERTa、GPT-2、GPT-3 上，效果持平 / 优于全量微调。

兼容性强：可与 Prefix Tuning 等方法结合。

3.主体架构

以上是LoRA结构的示意图,左侧为冻结参数，右侧为可训练的LoRA参数。

从结构上看，LoRA 并不是在原有大模型之外重新搭建一个完整的小模型，而是在原有线性层旁路引入一个低秩更新分支。对于原始线性变换，LoRA 将其改写为

其中为冻结的预训练权重，A和B为新增的可训练低秩矩阵，且秩。训练开始时通常令，服从随机高斯初始化，因此初始阶段，模型的前向结果与原始预训练模型保持一致，随后再通过反向传播逐步学习这一低秩增量。同时，LoRA 使用对更新分支进行缩放，以减小不同 rank 设置下的超参数敏感性。部署时，还可以将直接并入原权重中，因此不会额外增加推理延迟。

如果从深度学习网络的一般训练原理来看，LoRA 与普通网络训练在流程上并没有本质区别：同样是输入样本、前向传播计算输出、根据损失进行反向传播，再通过梯度更新参数。

不同之处在于，传统全量微调会更新模型中的大部分甚至全部参数，而 LoRA 只允许误差梯度流向新增的低秩矩阵A与B，预训练权重仅参与前向计算，不再被更新。

对于大模型，LoRA一般作用于多头自注意力机制（transformer）的K,Q,V矩阵上。上图更清楚的展示了LoRA是怎么插进一个Transformer layer的，尤其是attention里的投影位置

LoRA 之所以常被加在K,Q,V等投影矩阵上，是因为这些位置正好决定了注意力机制"看哪里、看什么、带回什么信息"。输入特征经过线性映射后形成查询、键和值，随后再完成相似度计算与加权汇聚。因此，一旦在这些投影矩阵上加入低秩增量，模型对上下文的关注方式、信息提取方式以及输出表征都会随之变化。也就是说，LoRA 虽然参数量很小，但它作用的位置并不边缘，而是直接切入了Transformer表征流动的关键环节。

因此，LoRA 可以理解为：在不破坏大模型主体结构的前提下，通过在注意力等关键线性层中加入低秩增量，用极少的训练参数完成对原有表示空间的任务定向修正。

4.思考

为什么插入K,V的效果最好？

Q（Query） 决定"当前 token 想找什么"。

V（Value） 决定"被注意到之后，实际传回来什么内容"。

因为 Q/V 直接控制"怎么找信息"和"把什么信息写回主干"，在固定参数预算下，它们属于最能撬动注意力行为的位置；而论文实证上也确实发现比只改或更划算。

为什么不直接更新矩阵而是将其低秩分解为？

因为 如果直接更新W ，本质上就回到了全量微调，或者至少接近"直接学一个大更新矩阵------这会把 LoRA 最核心的优势全丢掉。

论文的出发点是这样的：

全量微调时，每个下游任务都要学一整套大参数增量，代价太高。

因此他们把任务增量重新编码成一个更小的参数集合，并提出用低秩表示 来编码。

具体到单个矩阵，就是不直接学完整 ΔW\Delta WΔW，而是假设适配阶段的更新具有低内在秩 ，于是写成

其中。训练时冻结,只学

这样做有四个直接好处。

第一，参数量和显存会骤降。

第二，它押注"有效更新本来就是低秩的"。

第三，低秩分解不是削弱表达能力到不可恢复。

第四，可以合并回去，不增加推理延迟。

是不是本质上就是从特征交互上下功夫，让模型/网络像目标下游任务优化？

本质上不只是"从特征交互上下功夫"，而是：

冻结原模型的大部分通用表征能力

只在少数高杠杆线性层上加入低秩更新

让模型沿着对下游任务更有用的方向发生偏移

LoRA 的核心抓手不是泛泛的特征交互，而是对参数更新空间做低秩约束，并把这类更新放在 attention 投影这类最能影响信息流的位置上。

可以总结为：LoRA 通过在关键线性层上施加低秩增量，不重写原模型主体，而是重定向原有特征的组织与交互方式，使其更贴合下游任务。

LoRA的思想理论上也可以用于其他深度网络？

理论上能。但不等于都同样划算。

LoRA 的原则首先适用于执行矩阵乘法的 dense layers， 虽然论文重点研究的是 Transformer 语言模型，但其提出的原则一般适用于任何带有 dense layers 的神经网络。

所以理论上它当然不只限于 Transformer，也可以用于：

CNN 里的全连接层，甚至某些可重参数化卷积位置

多模态网络里的投影层

图网络里的线性变换层

其他带大量线性映射的深度模型

可总结为：LoRA 的核心并非重新训练整个模型，而是在保留预训练通用能力的基础上，通过对关键线性层施加低秩更新，调节特征表征与信息交互方式，使网络向目标下游任务定向适配。这一思想理论上可推广到其他含dense layers的深度网络。