百度网站怎么做置顶 wordpress

张

张建站

2026/4/19 1:15:19

10分钟阅读

百度网站怎么做,置顶 wordpress,微信小程序项目模板,有免费搭建app的网站吗本文将通俗易懂地拆解Multi-LoRA#xff08;低秩适配#xff09;核心技术#xff0c;从低秩分解的数学原理入手#xff0c;结合MNIST手写体识别实操案例#xff0c;手把手演示LoRA在大模型微调中的落地流程#xff0c;深入分析其优缺点及适用场景。重点解决大模型微调“算…本文将通俗易懂地拆解Multi-LoRA低秩适配核心技术从低秩分解的数学原理入手结合MNIST手写体识别实操案例手把手演示LoRA在大模型微调中的落地流程深入分析其优缺点及适用场景。重点解决大模型微调“算力不够、参数量大、训练繁琐”的痛点让小白能快速入门、程序员能直接借鉴实操助力大家高效掌握这一主流的大模型部署优化技术——Multi-LoRA可在几乎不损失模型性能的前提下大幅降低训练资源需求适配多场景大模型轻量化部署是当下大模型学习必备的核心技能之一。1 、核心原理为什么LoRA能解决大模型微调痛点1.1 问题与方案为了让大模型在细分领域要取得更好的效果会用领域数据进行微调训练且微调模型时期望用少量的训练步骤完成对权重的更新。微调一个大模型要有匹配的硬件资源和足够的训练时间。对于动辄百亿参数的大模型而言可能出现如下问题硬件资源无法支持起基础模型的训练。如显存不足、算力太低训练时间过长训练不收敛或者效果不佳大模型的通用能力可能下降。既然大模型的全量调参成本高是否能仅微调部分达到全量微调的效果这个问题已有不少的研究如适配器(Adapter[3])一种在模型中插入新层的方式仅训练插入的适配器前缀调优Prefix Tuning[4]给Attention KV层中添加一个前缀并只训练这个附加的前缀参数类似的还有提示词调优Prompt Tuning[5]局部训练仅训练Transformer 的 LayerNorm参数[6]或者仅训练 Bias ( BitFit[7])低秩适配LoRA给模型增加降秩权重且仅训练该新增的权重当然这些方法也可以混合使用[8]。参数高效迁移学习 (PETLparameter-efficient transfer learning)上述迁移学习的方式各有特点此处不展开讨论主要聚焦LoRA方法的相关内容。1.2 低秩分解的原理LoRA原理涉及的关键知识任意矩阵都能进行奇异值分解Singular Value DecompositionSVD当矩阵是不满秩矩阵Rank-deficient Matrix时可以用低秩的分解矩阵来代替原矩阵。具体展开说明。对于一般矩阵通过SVD计算能够得到三个子矩阵公式如下其中,矩阵的秩数满足是一个对角矩阵对角上非零元素个数等于秩数当W为不满秩矩阵时这里举个3x2矩阵分解的例子如下图所示将矩阵W进行SVD处理得到分解矩阵。其中3x2的对角矩阵最后一行必为0所以可以简化表达进一步若还存在‘0’的对角元素可以进一步简化。简化后的分解矩阵乘积依然等于原矩阵。优势当矩阵的尺寸m,n较大时分解矩阵的特点是元素个数相比原矩阵的更少r越小元素越少。比如当r1mn1000时原矩阵元素个数为1000,000分解矩阵元素总数为2001比值小于0.5%。参数量少带来好处是计算量少、存储量少。1.3 低秩分解的代码实践这里我们通过一个简单的乘法示例来验证分解矩阵的特点。先创建一个非满秩的矩阵W并进行SVD计算接着建立B、A矩阵最后定义一个乘加运算对比原矩阵与分解矩阵的计算差异。step1创建一个非满秩矩阵import torch import numpy as np d, k 10, 10 # 创建一个非满秩矩阵(a rank-deficient matrix) W_rank 2 W torch.randn(d,W_rank) torch.randn(W_rank,k) W_rank np.linalg.matrix_rank(W)打印相关结果step2进行SVD分解构建B、A矩阵。# 对W进行SVD处理(W UxSxV^T) U, S, V torch.svd(W) # 对于对角矩阵S保留前rank个数据即可相应的U和V也只要保存前rank行的数据。 U_r U[:, :W_rank] S_r torch.diag(S[:W_rank]) V_r V[:, :W_rank].t() # 定义 B U_r * S_rA V_r B U_r S_r A V_r打印相关参数step3构建一个线性层对比计算差异# 创建一个线性运算的输入 y Wx b bias torch.randn(d) x torch.randn(d) # 原始计算 y Wx bias y W x bias # 分解矩阵计算 y (B*A)x bias y_prime (B A) x bias print(fThe result is allclose: {torch.allclose(y, y_prime)})可以看到打印输出为True该例中W的元素个数为100B和A的元素总数为40。低秩分解降低了元素总数且不改变计算结果如果分解运算为一次运算则在算量上面也更少。2、 LoRA2.1 计算公式LoRA正是用低秩分解矩阵的特点来降低微调矩阵的元素个数原矩阵为[9]其中微调时冻结不参与训练、仅微调分解矩阵 A和B 因为所以需要训练的参数相比直接训练原矩阵少很多。2.2 LoRA训练/推理实践一个数字0~9手写体识别训练场景数据采用MNIST。训练一个3层的MLP让其具备数字手写体识别的能力。为了体现LoRA的作用需要对数据集进行处理先全量训练再增加LoRA微调。大致步骤如下step1构建主模型并训练训练数据集去掉数字‘1’step2测试主模型的识别能力step3创建LoRA层step4主模型的参数冻结用数字‘1’的数据进行微调step5测试LoRA模型观测数据‘1’识别度差异。构建一个简单的模型# 创建一个全连接的网络用于手写体识别 class MLP(nn.Module): def __init__(self, hidden_size_11000, hidden_size_22000): super(MLP,self).__init__() self.linear1 nn.Linear(28*28, hidden_size_1) self.linear2 nn.Linear(hidden_size_1, hidden_size_2) self.linear3 nn.Linear(hidden_size_2, 10) self.relu nn.ReLU() def forward(self, img): x img.view(-1, 28*28) x self.relu(self.linear1(x)) x self.relu(self.linear2(x)) x self.linear3(x) return x net MLP().to(device)模型结构接着定义模型的训练函数、测试函数# 训练函数定义 def train(train_loader, net, epochs5, total_iterations_limitNone): cross_el nn.CrossEntropyLoss() optimizer torch.optim.Adam(net.parameters(), lr0.001) total_iterations 0 for epoch in range(epochs): net.train() loss_sum 0 num_iterations 0 data_iterator tqdm(train_loader, descfEpoch {epoch1}) if total_iterations_limit is not None: data_iterator.total total_iterations_limit for data in data_iterator: num_iterations 1 total_iterations 1 x, y data x x.to(device) y y.to(device) optimizer.zero_grad() output net(x.view(-1, 28*28)) loss cross_el(output, y) loss_sum loss.item() avg_loss loss_sum / num_iterations data_iterator.set_postfix(lossavg_loss) loss.backward() optimizer.step() if total_iterations_limit is not None and total_iterations total_iterations_limit: return # 测试函数定义 def test(modelnet): correct 0 total 0 wrong_counts [0 for i in range(10)] with torch.no_grad(): for data in tqdm(test_loader, descTesting): x, y data x x.to(device) y y.to(device) output model(x.view(-1, 784)) for idx, i in enumerate(output): if torch.argmax(i) y[idx]: correct 1 else: wrong_counts[y[idx]] 1 total 1 result_str for i in range(len(wrong_counts)): result_str fThe wrong counts of digit {i}: {wrong_counts[i]}\n print(f\nAccuracy: {round(correct/total, 3)}\n{result_str})step1构建主模型并训练训练数据集去掉数字‘1’。# 下载MNIST手写体数字识别的数据 transform transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) # 加载手写体数据 mnist_trainset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) # 训练集 train_loader torch.utils.data.DataLoader(mnist_trainset, batch_size10, shuffleTrue) mnist_testset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) # 测试集 # 去掉数字‘1的数据模型对‘1的识别率存在问题 exclude_indices torch.tensor([False if x 1 else True for x in mnist_trainset.targets]) mnist_trainset.data mnist_trainset.data[exclude_indices] mnist_trainset.targets mnist_trainset.targets[exclude_indices] # 训练模型step2测试主模型的识别能力。test_loader torch.utils.data.DataLoader(mnist_testset, batch_size10, shuffleTrue) test()可以看到数字‘1’在测试集上表现不佳。step3创建LoRA层# 定义LoRA对权重修改 class LoRAParametrization(nn.Module): def __init__(self, features_in, features_out, rank1, alpha1, devicecpu): super().__init__() # 低秩矩阵的定义 self.lora_A nn.Parameter(torch.zeros((rank,features_out)).to(device)) self.lora_B nn.Parameter(torch.zeros((features_in, rank)).to(device)) nn.init.normal_(self.lora_A, mean0, std1) # 参考论文https://arxiv.org/pdf/2106.09685 4.1节设置一个比例系数 self.scale alpha / rank # LoRA开关 self.enabled True def forward(self, original_weights): if self.enabled: # Return W (B*A)*scale return original_weights torch.matmul(self.lora_B, self.lora_A).view(original_weights.shape) * self.scale else: return original_weights将LoRA层注册到模型中def linear_layer_parameterization(layer, device, rank1, lora_alpha1): # LoRA仅修改W忽略bias修改。 features_in, features_out layer.weight.shape return LoRAParametrization( features_in, features_out, rankrank, alphalora_alpha, devicedevice ) # 保存一份原始权重数据用于后续校验 original_weights {} for name, param in net.named_parameters(): original_weights[name] param.clone().detach() # 注册LoRA权重到原始层中 parametrize.register_parametrization( net.linear1, weight, linear_layer_parameterization(net.linear1, device) ) parametrize.register_parametrization( net.linear2, weight, linear_layer_parameterization(net.linear2, device) ) parametrize.register_parametrization( net.linear3, weight, linear_layer_parameterization(net.linear3, device) ) # 定义LoRA开关函数 def enable_disable_lora(enabledTrue): for layer in [net.linear1, net.linear2, net.linear3]: layer.parametrizations[weight][0].enabled enabled打印原始参数和添加LoRA参数的对比LoRA占比仅0.242%。step4用数字‘1’数据微调# 将原始权重冻结 for name, param in net.named_parameters(): if lora not in name: print(fFreezing non-LoRA parameter {name}) param.requires_grad False # 过滤数据仅保留‘1的数据 mnist_trainset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) exclude_indices torch.tensor([True if x 1 else False for x in mnist_trainset.targets]) mnist_trainset.data mnist_trainset.data[exclude_indices] mnist_trainset.targets mnist_trainset.targets[exclude_indices] train_loader torch.utils.data.DataLoader(mnist_trainset, batch_size10, shuffleTrue) # 用数据‘1训练带有LoRA的模型 train(train_loader, net, epochs1, total_iterations_limit100)step5测试LoRA模型观测数据‘1’识别度差异。# 测试有LoRA的情况: enable_disable_lora(enabledTrue) test()打印正确率找到数字‘1’的错误个数相比原模型明显降低了。与原始模型的测试输出的正确率进行一个对比除了数字‘1’以外其它数字的识别精度均下降。LoRA特点小结优点LoRA采用了横向扩展参数的方式训练时原模型参数冻结、仅微调扩展参数扩展参数采用低秩矩阵保证了较低的参数量。实践证明了LoRA的有效性甚至能让小模型微调能达到大模型的水平[10]。LoRA的适配方式能够保证各个垂直领域解耦训练互不干扰。不足分解矩阵B、A的秩小于原矩阵W表达能力弱导致LoRA的效果可能弱于全量微调当主模型参数量比较大且r取值不能太小时LoRA训练成本依然很高。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】