人工智能進入“大模型時代”。

大模型具備更強泛化能力，在各垂直領域落地時，只需要進行參數微調，就可以適配多個場景。因此，發展大模型已成為產學研各界共識。

在大模型開發方面，昇騰推出了大模型開發使能平臺，基于昇思MindSpore構建了支撐大模型開發的全流程大模型使能套件，包括TransFormers大模型套件MindSpore TransFormers、以文生圖大模型套件MindSpore Diffusion、人類反饋強化學習套件MindSpore RLHF、大模型低參微調套件MindSpore PET，支撐大模型從預訓練、微調、壓縮、推理及服務化部署。

本期，我們將開啟“大模型高效開發的秘密武器”系列之首篇，為大家介紹大模型低參微調套件——MindSpore PET。

MindSpore PET（MindSpore Parameter-Efficient Tuning）是基于昇思MindSpore AI融合框架開發的大模型低參微調套件。當前該套件提供6種算法，包含5種經典的低參微調算法LoRA、Prefix-Tuning、Adapter、LowRankAdapter、BitFit，以及1種用于下游任務精度提升的微調算法R_Drop。低參微調算法只需微調極少量的參數，即可在保持全參微調精度的情況下，大大節約計算和存儲內存，減少微調訓練的時間；精度提升的微調算法在幾乎不增加計算內存及時間情況下，增加模型隨機性，防止模型過擬合從而提高模型的正確率。

套件為所有算法提供了API調用接口及使用案例，實現開箱即用，并為低參微調算法提供了只保存極少的可學習參數的接口，使得生成的ckpt文件非常小。

開源倉地址：https://github.com/mindspore-lab/MindPet

LoRA: Low-Rank Adaptation of Large Language Models，是微軟提出的一種針對大語言模型的低參微調算法。LoRA假設在適配下游任務時，大模型的全連接層存在一個低內在秩（low intrinsic rank），即包含大量冗余信息。因此提出將可訓練的秩分解矩陣注入Transformer架構的全連接層，并凍結原始預訓練模型的權重，從而可大大減少參與訓練的參數量。

以悟空畫畫為例，悟空畫畫模型是基于擴散模型的中文文生圖大模型。雖然有強大的能力，但模型網絡規模巨大，約9億參數量，適配下游任務時訓練時間長，計算和存儲內存開銷大。

經分析，悟空畫畫中使用CLIP模型將人類語言轉換成機器能理解的數學向量，并通過 U-Net 模型預測噪聲。這兩種模型的Attention結構都包含全連接層，適配下游任務時可能含有大量冗余信息。

因此，我們分別在 U-Net的交叉注意力層q、k、v、output四個模塊上，注入了LoRA模塊，發現效果異常好。

如下圖所示，適配LoRA后即使僅訓練0.07%參數，也可以生成高質量的圖像！

同時，相比全參微調，應用LoRA算法，訓練性能也得到大幅提升：原本端到端全參微調需17小時，適配后僅需9小時，節約近50%時間； 計算內存節約40%，可繼續增大一倍batch_size，速度更快；最終保存的ckpt大小才3.06MB，不再需要用4個GB保存所有參數。

這說明當有n個下游任務時，僅需保存n x 3.06MB，避免了n x 4GB的“龐然大物”。而且，我們還做了令人振奮的實驗。如果用戶訓練了多種風格的模型，只需0.5s就可以切換風格，真正的無縫切換“畢加索”和“新海誠”！

原因在于MindSpore框架的靜態圖特性，只需要在第一次正向訓練時編圖，后續即使加載其它LoRA-ckpt更新參數，也無需重新編圖。

為大模型減輕負擔的LoRA算法本身用起來也很輕松，端到端僅需簡單五步就可以完成適配。

第一步：將模型CrossAttention結構中qkvo的Dense層替換成LoRADense：

第二步：在訓練腳本中調用凍結方法，僅訓練新增的lora模塊：

第三步：在訓練腳本中將保存ckpt的ModelCheckpoint替換為TrainableParamsCheckPoint，僅保存需要更新的參數：

第四步：根據訓練目標調整學習率、batch_size等參數：

第五步：訓練完成后，在評估腳本中分別加載預訓練ckpt和微調后生成的ckpt：

目前已經開源所有代碼，詳細的接口和用例介紹如下：https://github.com/mindspore-lab/MindPet/blob/master/doc/TK_DeltaAlgorithm_README.md

需要注意的是相比全參微調，適配LoRA后一般要設置更大的學習率。如適配悟空畫畫時，我們就將學習率從1e-5增大到1e-4。

MindSpore PET - Prefix-Tuning

Prefix-Tuning: Optimizing Continuous Prompts for Generation，也是一種針對大語言模型的低參微調算法。研究人員提出，使用連續的向量而不是離散的詞匯來構建前綴模板，即在輸入前加入連續的token embedding，可以增加query和key的相關性。因此，Prefix-Tuning通過在每個multi-head attention的 key 矩陣和 value 矩陣前注入可訓練的prefix向量k，v，并凍結原始網絡參數，來大幅提升生成類任務的性能。

Prefix-Tuning在GPT-2和盤古Alpha大模型上都有很好的效果。與全參微調相比，在保持原有精度的前提下，使用Prefix-Tuning訓練盤古Alpha僅需5.5%的參數量，節約了65%以上的計算內存，并將一個迭代的耗時縮短到一半。

MindSpore PET - Rdrop

R-Drop: Regularized Dropout for Neural Networks，是一種用于提升精度的微調算法，主要通過簡單的“兩次Dropout”來構造正樣本進行對比學習，增加模型隨機性。具體是在模型加載完一個batch的數據集之后，復制一份該數據，并同時輸入到模型中，然后分別計算損失函數，并將結果相加得到最終的loss值。盡管邏輯非常簡單，卻能很好的防止模型過擬合，進一步提高模型的正確率。經在Bert上多個下游任務上驗證，幾乎保持同樣的內存和時間開銷，就能提升2.6個點的精度。

大模型開發到部署是一個高門檻、復雜的過程，大模型使能套件將幫助開發者，讓大模型更易開發、易適配、易部署。

想了解更多關于TransFormers大模型套件MindSpore TransFormers、以文生圖大模型套件MindSpore Diffusion、人類反饋強化學習套件MindSpore RLHF的相關信息，請關注昇思MindSpore公眾號，我們將持續為大家帶來人工智能領域技術干貨和活動消息。