你的LoRA需要更新了！科大訊飛等提出MiLoRA：新穎且高效的LoRA變體
論文鏈接：https://arxiv.org/pdf/2410.18035
低秩適應（LoRA）及其專家混合（MOE）變體是非常有效的參數高效微調（PEFT）方法。然而，由于在Transformer層中添加了LoRA模塊和MOE routers，這些方法在多租戶環境中引入了顯著的延遲。為了解決這個問題，本文提出了低秩適應的混合（MiLoRA），一種新穎且高效的LoRA變體。MiLoRA與之前的MOE風格LoRA方法不同之處在于將每個LoRA模塊視為一個專家，并采用了一種基于提示的router機制。該機制在生成第一個新標記之前計算專家路由結果，并將這些結果用于后續標記，從而減少延遲。在常識推理任務、數學推理任務和廣泛使用的LLM評估基準上進行的廣泛實驗和分析表明，MiLoRA始終優于具有可比可調參數預算的強大PEFT基線。此外，與之前基于LoRA的方法相比，MiLoRA在多租戶環境中顯著減少了延遲。
亮點直擊
- 提出了一種新穎的LoRA變體，MiLoRA，它以高效的方式將MOE機制與LoRA結合起來。
- 在MiLoRA中，將每個LoRA模塊視為一個專家。
- 提出了一種基于提示的路由機制，以避免 token-wise 的計算。
- 進行了廣泛的實驗和分析，結果表明MiLoRA框架在實際應用中優于基線模型，并在可比的參數預算下表現更佳；在大語言模型推理過程中高效。
總結速覽
解決的問題
- 多租戶環境中的延遲：在Transformer層中添加LoRA模塊和MOE router導致顯著的延遲，影響性能。
- 參數高效微調（PEFT）方法的局限性：現有的LoRA和MOE變體在多租戶設置中效率不高。
提出的方案
- MiLoRA框架：一種新穎且高效的LoRA變體，將MOE機制與LoRA結合。
- 基于提示的router機制：在生成第一個新標記之前計算專家結果，避免逐個token的router計算。
應用的技術
- 低秩適應（LoRA）：用于有效的參數微調。
- 專家混合（MOE）：通過將每個LoRA模塊視為一個專家，優化模型選擇。
- 提示機制：用于高效計算和。
達到的效果
- 性能提升：在常識推理、數學推理任務和LLM評估基準上，MiLoRA優于強大的PEFT基線。
- 顯著減少延遲：MiLoRA在多租戶環境中表現出更高的效率，相較于傳統LoRA方法降低了延遲。
- 可比的參數預算下的優越表現：在相同的參數預算下，MiLoRA框架在實際應用中表現更佳。
方法
本節首先介紹LoRA和MoE的基礎概念，然后詳細闡述MiLoRA的架構設計。
初步
動機
正如下表4所示，現有的MOE風格LoRA研究在推理過程中顯著減慢了LLM骨干網絡的速度，使每秒處理的tokens（tps）減少約20%。這些研究中，每個LoRA模塊被分解為多個專家，并且需要調用一個routers來確定哪些專家被激活。在生成每個token時，每層的多個LoRA模塊和多個 router的計算被執行，導致的延遲不可忽視。為了提高這種MOE LoRA方法的效率，需要研究以下研究問題：
RQ1. 能否將LoRA模塊視為一個專家，使得每個Transformer層只有一個LoRA router，并且每層只激活一個這樣的專家？
RQ2. LoRA router能否在輸入提示時僅調用一次？
即時感知的 LoRA router
為了調查RQ1和RQ2，現在嘗試提出MiLoRA方法的細節。MiLoRA的核心是提示感知路由機制。在該機制下，LoRA router將輸入提示的隱藏狀態作為輸入，并輸出當前層的激活LoRA專家。與之前的工作不同，本文的工作：（a）僅在輸入提示首次通過Transformer骨干網絡并在生成第一個新標記之前計算LoRA router一次。 router的激活決策將在后續生成步驟中重復使用。（b）在Transformer的層級上確定激活的LoRA專家，選擇哪個Transformer模塊由其對應的LoRA模塊進行修改。
可學習激活函數
實驗
數據集和評估指標
將本文的方法與基線進行比較，涉及一系列具有挑戰性的任務：（a）五個基準常識問答任務，ARC-e 和 ARC-c，OBQA，PIQA，BoolQ。 （b）兩個數學推理任務，AQuA和 GSM8k。利用 Hu et al.（2023）提供的鏈式思維（COT）推理來訓練這些數學任務的樣本。所有推理都是通過zero-shot CoT在 GPT-3.5 上生成的，但沒有經過任何錯誤過濾。 （c）MT-Bench，MMLU，和 BBH。由于這些任務不提供訓練數據，利用 Alpaca數據集進行指令調優。詳細的統計數據和評估指標可以在附錄 B 中找到。
基線
將 MiLoRA 框架與當前的 SOTA PEFT 基線方法進行比較。
LoRA 及其變體： 考慮以下 LoRA 變體作為基線：（a）原始 LoRA；（b）AdaLoRA，它在不同的 Transformer 模塊之間自適應調整 LoRA 參數；（c）MOELoRA，它將每個 LoRA 模塊視為單秩 LoRA 專家的混合；（d）DoRA，這是 LoRA 的最新變體之一，它將預訓練權重分解為兩個組件：幅度和方向，用于微調，特別采用 LoRA 進行方向更新。
其他 PEFT 方法： 我們還考慮了最新的 PEFT 方法：（a）He et al.（2021）提出的 Parallel-Adapter；（b）Learned-Adapter；（c）P-tuning v2；（d）IAPT；（e）BitFit；（f）(IA)3，它將可學習向量乘到 Transformer 層中不同模塊的隱藏狀態上。
(g) SSP，這是一個結合不同PEFT方法的代表性工作，包括LoRA和BitFit。基線使用他們的開源代碼進行實現。我們僅調整與可調參數數量相關的超參數，以公平比較基線方法和我們的MiLoRA方法。
實驗設置
計算基礎設施 在NVIDIA A40（48GB）GPU上運行所有實驗。
預訓練骨干模型 主要實驗使用最新開源的LLM，LlaMA-2 7B作為預訓練骨干模型。在消融研究中，我們還將使用最近發布的LlaMA-2 13B和Gemma 2B。
預測頭 在微調LlaMA-2 7B時，我們僅考慮監督微調（SFT）設置。在接收到提示或指令后，所有預測均使用語言建模頭（LM head）生成。沒有安裝額外的預測頭來進行分類或數值預測。在推理期間的解碼中，我們使用束搜索，束大小為3。
可重復性 在五個不同的隨機種子下運行每個任務，并報告每個任務在測試集上的中位性能。
主要結果
單任務設置。在這個設置中，我們通過采用這些方法對單個任務進行微調，將MiLoRA與基線PEFT方法進行比較。五個常識推理任務和兩個數學推理任務的實驗結果見下表1。我們在第二列中展示了可調參數的數量，在第三列中展示了平均激活參數。表1顯示，我們的MiLoRA方法在所有七個任務中均優于基線方法，具有可比的可調參數和更少的激活參數。特別是，MiLoRA在可比參數下超越了之前的SOTA LoRA風格基線，如AdaLoRA、DoRA和MOELoRA。這些結果表明，我們的方法在大語言模型的下游任務適應方面表現良好。
多任務設置。下表2展示了在多任務學習中，使用LLaMA2-7B的LoRA、DoRA、MOELORA和MiLoRA的結果。與表1中的單任務設置相比，在多任務學習期間，我們混合了來自ARC、BoolQ、OBQA和PIQA的訓練數據來訓練模型，然后進行單獨評估以調查每種方法的泛化能力。結果表明：(a) 與單任務學習相比，LoRA和DoRA在多任務學習中平均準確率有所下降（LoRA：-2.0%，DoRA：-2.25%）。與此同時，MOELORA和MiLoRA幾乎保持相同的平均準確率。MiLoRA在平均得分方面幾乎沒有性能損失。
通用指令調優的結果。在使用我們的MiLoRA方法或MOELoRA方法對LLaMA-2 7B模型進行在Alpaca 數據集上的微調后，我們利用了具有挑戰性的基準測試，如MT-Bench、MMLU和BBH進行評估。我們報告了在MT-Bench上的平均GPT-4得分（gpt4-score）。下表3展示了結果。與之前的實驗（表1和表2）一致，我們的MiLoRA方法在這三個基準測試中優于MOELoRA方法，證明了MiLoRA在提升大語言模型指令調優質量方面的優越性。
消融研究與進一步分析
推理效率分析
為了展示MiLoRA方法的推理效率，現在比較MiLoRA、DoRA和MOELoRA在不同beam size下進行beam search時的GPU內存和解碼速度。在這個實驗中，LoRA參數沒有合并到主干中，以模擬單一大語言模型的多租戶設置。我們提供了兩個用于衡量效率的指標：(a) 峰值內存成本（以MiB為單位）。(b) 每秒生成的tokens數量（tps）。結果如表4所示。
從表4可以看出，在beam size為1和3的情況下，MiLoRA方法的內存成本與MOELoRA和DoRA相當。然而，其在tps方面的生成速度顯著更高。對于beam size為1，MiLoRA比MOELoRA快21.7%，比DoRA快19.7%。
在beam size為3的情況下，MiLoRA比MOELoRA快17.9%，比DoRA快13.2%。MiLoRA的速度優勢來自以下因素：(a) 我們的方法僅在輸入提示首次經過大語言模型（LLM）并在生成第一個新token之前的每個Transformer層調用LoRA router。相比之下，MOELoRA和幾乎所有現有的基于MOE的LoRA變體在生成每個新token時需要在每層調用多個 router。(b) 我們的方法顯著減少了在每個解碼步驟中激活的LoRA模塊數量，使得生成新token更加高效。
激活的LoRA專家的分布
我們現在比較MT-Bench、BoolQ和PIQA任務中所有Transformer層上的LoRA專家分布，如圖2所示。我們可以觀察到：(a) 不同的Transformer層通過其對應的 router選擇激活不同的LoRA專家，且單個LoRA專家的最大比例不到30%。結果是直觀的，因為不同深度的Transformer層表示不同的知識，需要不同的LoRA專家來表達。(b) 不同任務上的LoRA分布是不同的。例如，在MT-Bench和BoolQ任務中，少數層激活LoRA Q或LoRA K，而在PIQA任務中，這兩個LoRA專家被頻繁選擇。
MiLoRA框架的消融研究
我們現在考慮以下MiLoRA的變體：(a) MiLoRA-1將自注意力池化替換為平均池化。(b) MiLoRA-2將自注意力池化替換為最后一個token池化。(c) MiLoRA-3為LoRA router使用GeLU激活函數。(d) MiLoRA-4在前16層的LoRA router中使用ReLU，在更深的16層中使用GeLU。(e) MiLoRA-5在前16層的LoRA router中使用GeLU，在更深的16層中使用ReLU。BoolQ、PIQA和MMLU任務的實驗結果如表5所示。
結果顯示，MiLoRA在默認設置下（如表1所示）優于五個變體。此外，(a) 將MiLoRA-1和MiLoRA-2與MiLoRA進行比較表明，自注意力池化器提供了高質量的信息聚合，從而實現了正確的LoRA專家選擇。(b) 將MiLoRA-5與MiLoRA-3和MiLoRA-4進行比較表明，為不同層的 router使用不同的激活函數可以提升性能。(c) 然而，MiLoRA優于MiLoRA-3、MiLoRA-4和MiLoRA-5，表明可學習的激活函數可以為每個LoRA router適配適當的激活函數，并增強下游適應能力。
關于預訓練骨干網絡的消融實驗
我們的主要實驗是在LlaMA-2 7B模型上進行的。為了展示我們方法的廣泛適用性，現在在LlaMA-2 13B和Gemma 2B上進行實驗。結果在附錄E的表7中報告可以看到，我們的MiLoRA方法在這兩個骨干網絡上也能優于基線方法。
結論
這項工作介紹了LoRA混合（MiLoRA）方法，一種用于大語言模型參數高效微調的新方法。與以前關于MOE風格LoRA方法的文獻不同，MiLoRA：（a）在Transformer層級激活LoRA專家，決定激活哪個Transformer模塊的LoRA。（b）激活哪個LoRA專家的決策依賴于輸入提示。（c）對于給定的提示，LoRA router只調用一次。后續的tokens生成步驟重用 router的決策。為了提高我們框架的下游性能，建議在微調期間為不同深度的LoRA router學習不同的激活函數。我們的方法易于實現且現成可用。在各種任務上的實驗表明，MiLoRA方法在推理效率的同時優于基線方法。
限制本文證明了提出的方法可以提高參數高效微調在多種任務和不同預訓練模型（如LlaMA-2 7B、LlaMA-2 13B、Gemma 2B）上的性能。然而，我們也承認以下局限性：（a）由于計算資源有限，我們沒有對更大規模的開源大語言模型（如LlaMA-2 70B）進行實驗。（b）自然語言處理中的其他任務，如信息抽取，也未被考慮。不過，我們的框架可以輕松轉移到其他主干架構和不同類型的任務上。研究我們的方法是否在其他大規模主干模型和其他類型的任務上仍然具有優越性將會很有趣。將在未來的工作中探索這一點。
本文轉自AI生成未來 ，作者：AI生成未來
