LoRA微調三步驟是：
- Step-1：觀察&測試原模型(如MT5)的input和output格式。
- Step-2：準備Training data，建立自己的Dataset類別，並拿原模型實際訓練。
- Step-3：將LoRA外掛到MT5-Small，並進行協同訓練及測試。
在本篇文章中，將以MT5-small預訓練大模型為例，並以Python源碼(Source Code)來說明之。
簡介LoRA
當今大家非常關心於LLM大模型的巨大參數量，帶來的很高的訓練成本，因而限制了諸多下游任務的應用。換句話說，由於大語言模型(LLM)的參數量巨大，許多大公司都需要訓練數月，因此許多專家們提出了各種資源消耗較小的訓練方法，而其中最常用的就是：LoRA。
由於LoRA的模型參數非常輕量，對於下游任務而言，每一個下游任務只需要獨立維護自身的LoRA參數即可。因之，可以節省*.ckpt和*.onnx的儲存空間。同時，在訓練時可以凍結原模型(如MT5)的既有參數，只需要更新較輕量的LoRA參數即可。可大幅提升模型的訓練效能。
使用LoRA時，我們並不需要對原有大模型進行訓練及調整參數，只需要訓練橙色區域中的A和B兩部分的參數即可。
一般而言，LoRA 可以應用於神經網路中權重矩陣的任何子集，以減少可訓練參數的數量。然而，在 Transformer 模型中，為了簡單性和參數效率，LoRA 通常僅應用於注意力(Attention)區塊。
簡介MT5
每個Transformer模型都基於龐大的語料庫，進行很長時間的模型預訓練。這個預訓練階段，讓模型對任何上下文中的任何單詞都能掌握其涵義。T5的核心主張是：將所有 NLP 任務都轉化成 Text-to-Text （文本到文本）任務。如下圖：
只需不到短短一分鐘...
輸入您的信箱與ID註冊即可享有一切福利!
會員福利
1
免費電子報
2
會員搶先看
3
主題訂閱
4
好文收藏
