title: “Peft Fine Tuning — Parameter-efficient fine-tuning for LLMs using LoRA, QLoRA, and 25+ methods” sidebar_label: “Peft Fine Tuning” description: “Parameter-efficient fine-tuning for LLMs using LoRA, QLoRA, and 25+ methods”
{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md,而非此页面。 */}
PEFT 微调技术
一种基于 LoRA、QLoRA 以及 25 种以上方法的参数高效型大语言模型微调方案。当需要在 GPU 内存有限的条件下微调 70 亿参数规模的大型模型、仅需训练不到 1% 的参数且希望尽可能降低精度损失,或实现多适配器服务时,均可选用此技术。该功能集成了 HuggingFace 官方库,可与 transformers 生态系统无缝配合使用。
技能元数据
| 来源 | 可选 — 通过 hermes skills install official/mlops/peft 命令安装 |
| 路径 | optional-skills/mlops/peft |
| 版本 | 1.0.0 |
| 开发者 | Orchestra Research |
| 许可协议 | MIT |
| 依赖项 | peft>=0.13.0, transformers>=4.45.0, torch>=2.0.0, bitsandbytes>=0.43.0 |
| 支持平台 | linux、macos、windows |
| 标签 | 微调, PEFT, LoRA, QLoRA, 参数高效型, 适配器, 低秩, 内存优化, 多适配器 |
参考:完整的 SKILL.md 文件
PEFT(参数高效型微调)
通过运用 LoRA、QLoRA 以及 25 种以上的适配器技术,仅需训练不到 1% 的模型参数即可完成大语言模型的微调。
何时使用 PEFT 技术
适合使用 PEFT/LoRA 的场景:
- 在消费级 GPU(如 RTX 4090、A100)上微调 70 亿参数规模的大模型
- 需要训练的参数占比低于 1%(6MB 的适配器文件体积远小于 14GB 的完整模型)
- 希望通过多种任务专用适配器实现快速迭代
- 基于同一基础模型部署多个微调后的版本
适合使用 QLoRA(PEFT + 量化技术)的场景:
- 在单块 24GB 容量的 GPU 上微调 700 亿参数规模的大模型
- 内存资源是主要限制因素
- 愿意接受约 5% 的精度损失以换取更低的计算成本
何时应选择全量微调方式:
- 微调参数量较小的模型(小于 10 亿参数)
- 需要最高精度且拥有充足的计算资源
- 模型应用场景发生显著变化,必须更新所有模型权重
快速入门
安装步骤
# Basic installation
pip install peft
# With quantization support (recommended)
pip install peft bitsandbytes
# Full stack
pip install peft transformers accelerate bitsandbytes datasets
LoRA微调(标准模式)
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import get_peft_model, LoraConfig, TaskType
from datasets import load_dataset
# Load base model
model_name = "meta-llama/Llama-3.1-8B"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token
# LoRA configuration
lora_config = LoraConfig(
task_type=TaskType.CAUSAL_LM,
r=16, # Rank (8-64, higher = more capacity)
lora_alpha=32, # Scaling factor (typically 2*r)
lora_dropout=0.05, # Dropout for regularization
target_modules=["q_proj", "v_proj", "k_proj", "o_proj"], # Attention layers
bias="none" # Don't train biases
)
# Apply LoRA
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# Output: trainable params: 13,631,488 || all params: 8,043,307,008 || trainable%: 0.17%
# Prepare dataset
dataset = load_dataset("databricks/databricks-dolly-15k", split="train")
def tokenize(example):
text = f"### Instruction:\n{example['instruction']}\n\n### Response:\n{example['response']}"
return tokenizer(text, truncation=True, max_length=512, padding="max_length")
tokenized = dataset.map(tokenize, remove_columns=dataset.column_names)
# Training
training_args = TrainingArguments(
output_dir="./lora-llama",
num_train_epochs=3,
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
learning_rate=2e-4,
fp16=True,
logging_steps=10,
save_strategy="epoch"
)
trainer = Trainer(
model=model,
args=training_args,
train_dataset=tokenized,
data_collator=lambda data: {"input_ids": torch.stack([f["input_ids"] for f in data]),
"attention_mask": torch.stack([f["attention_mask"] for f in data]),
"labels": torch.stack([f["input_ids"] for f in data])}
)
trainer.train()
# Save adapter only (6MB vs 16GB)
model.save_pretrained("./lora-llama-adapter")
QLoRA微调(高效内存占用)
from transformers import AutoModelForCausalLM, BitsAndBytesConfig
from peft import get_peft_model, LoraConfig, prepare_model_for_kbit_training
# 4-bit quantization config
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4", # NormalFloat4 (best for LLMs)
bnb_4bit_compute_dtype="bfloat16", # Compute in bf16
bnb_4bit_use_double_quant=True # Nested quantization
)
# Load quantized model
model = AutoModelForCausalLM.from_pretrained(
"meta-llama/Llama-3.1-70B",
quantization_config=bnb_config,
device_map="auto"
)
# Prepare for training (enables gradient checkpointing)
model = prepare_model_for_kbit_training(model)
# LoRA config for QLoRA
lora_config = LoraConfig(
r=64, # Higher rank for 70B
lora_alpha=128,
lora_dropout=0.1,
target_modules=["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
bias="none",
task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora_config)
# 70B model now fits on single 24GB GPU!
LoRA参数选择
Rank(秩)——容量与效率的平衡
| 秩数 | 可训练参数量 | 内存占用 | 质量水平 | 典型应用场景 |
|---|---|---|---|---|
| 4 | 约300万 | 极低 | 较低 | 简单任务、原型开发 |
| 8 | 约700万 | 低 | 良好 | 推荐的首选值 |
| 16 | 约1400万 | 中等 | 更优 | 通用微调场景 |
| 32 | 约2700万 | 较高 | 高 | 复杂任务 |
| 64 | 约5400万 | 高 | 最高 | 领域适配、700亿参数模型 |
Alpha(lora_alpha)——缩放因子
# Rule of thumb: alpha = 2 * rank
LoraConfig(r=16, lora_alpha=32) # Standard
LoraConfig(r=16, lora_alpha=16) # Conservative (lower learning rate effect)
LoraConfig(r=16, lora_alpha=64) # Aggressive (higher learning rate effect)
按架构划分的目标模块
# Llama / Mistral / Qwen
target_modules = ["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]
# GPT-2 / GPT-Neo
target_modules = ["c_attn", "c_proj", "c_fc"]
# Falcon
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]
# BLOOM
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]
# Auto-detect all linear layers
target_modules = "all-linear" # PEFT 0.6.0+
加载与合并适配器
加载已训练的适配器
from peft import PeftModel, AutoPeftModelForCausalLM
from transformers import AutoModelForCausalLM
# Option 1: Load with PeftModel
base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.1-8B")
model = PeftModel.from_pretrained(base_model, "./lora-llama-adapter")
# Option 2: Load directly (recommended)
model = AutoPeftModelForCausalLM.from_pretrained(
"./lora-llama-adapter",
device_map="auto"
)
将适配器合并到基础模型中
# Merge for deployment (no adapter overhead)
merged_model = model.merge_and_unload()
# Save merged model
merged_model.save_pretrained("./llama-merged")
tokenizer.save_pretrained("./llama-merged")
# Push to Hub
merged_model.push_to_hub("username/llama-finetuned")
多适配器服务
from peft import PeftModel
# Load base with first adapter
model = AutoPeftModelForCausalLM.from_pretrained("./adapter-task1")
# Load additional adapters
model.load_adapter("./adapter-task2", adapter_name="task2")
model.load_adapter("./adapter-task3", adapter_name="task3")
# Switch between adapters at runtime
model.set_adapter("task1") # Use task1 adapter
output1 = model.generate(**inputs)
model.set_adapter("task2") # Switch to task2
output2 = model.generate(**inputs)
# Disable adapters (use base model)
with model.disable_adapter():
base_output = model.generate(**inputs)
PEFT方法对比
| 方法 | 可训练参数比例 | 内存占用 | 训练速度 | 最佳适用场景 |
|---|---|---|---|---|
| LoRA | 0.1-1% | 低 | 快 | 通用微调 |
| QLoRA | 0.1-1% | 极低 | 中等 | 内存受限场景 |
| AdaLoRA | 0.1-1% | 低 | 中等 | 自动秩选择 |
| IA3 | 0.01% | 几乎无 | 最快 | 少样本适配 |
| 前缀调优 | 0.1% | 低 | 中等 | 生成内容控制 |
| 提示词调优 | 0.001% | 几乎无 | 快 | 简单任务适配 |
| P-Tuning v2 | 0.1% | 低 | 中等 | 自然语言理解任务 |
IA3(参数极少)
from peft import IA3Config
ia3_config = IA3Config(
target_modules=["q_proj", "v_proj", "k_proj", "down_proj"],
feedforward_modules=["down_proj"]
)
model = get_peft_model(model, ia3_config)
# Trains only 0.01% of parameters!
前缀调优
from peft import PrefixTuningConfig
prefix_config = PrefixTuningConfig(
task_type="CAUSAL_LM",
num_virtual_tokens=20, # Prepended tokens
prefix_projection=True # Use MLP projection
)
model = get_peft_model(model, prefix_config)
集成模式
与 TRL(SFTTrainer)的集成
from trl import SFTTrainer, SFTConfig
from peft import LoraConfig
lora_config = LoraConfig(r=16, lora_alpha=32, target_modules="all-linear")
trainer = SFTTrainer(
model=model,
args=SFTConfig(output_dir="./output", max_seq_length=512),
train_dataset=dataset,
peft_config=lora_config, # Pass LoRA config directly
)
trainer.train()
使用 Axolotl(YAML 配置)
# axolotl config.yaml
adapter: lora
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules:
- q_proj
- v_proj
- k_proj
- o_proj
lora_target_linear: true # Target all linear layers
使用 vLLM(推理模式)
from vllm import LLM
from vllm.lora.request import LoRARequest
# Load base model with LoRA support
llm = LLM(model="meta-llama/Llama-3.1-8B", enable_lora=True)
# Serve with adapter
outputs = llm.generate(
prompts,
lora_request=LoRARequest("adapter1", 1, "./lora-adapter")
)
性能基准测试
内存占用(Llama 3.1 8B)
| 方法 | GPU内存占用 | 可训练参数量 |
|---|---|---|
| 全量微调 | 60+ GB | 8B(100%) |
| LoRA r=16 | 18 GB | 14M(0.17%) |
| QLoRA r=16 | 6 GB | 14M(0.17%) |
| IA3 | 16 GB | 800K(0.01%) |
训练速度(A100 80GB)
| 方法 | 每秒处理Token数 | 相较于全量微调的速度倍数 |
|---|---|---|
| 全量微调 | 2,500 | 1倍 |
| LoRA | 3,200 | 1.3倍 |
| QLoRA | 2,100 | 0.84倍 |
性能质量(MMLU基准测试)
| 模型 | 全量微调 | LoRA | QLoRA |
|---|---|---|---|
| Llama 2-7B | 45.3 | 44.8 | 44.1 |
| Llama 2-13B | 54.8 | 54.2 | 53.5 |
常见问题
训练过程中出现CUDA内存不足错误
# Solution 1: Enable gradient checkpointing
model.gradient_checkpointing_enable()
# Solution 2: Reduce batch size + increase accumulation
TrainingArguments(
per_device_train_batch_size=1,
gradient_accumulation_steps=16
)
# Solution 3: Use QLoRA
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4")
适配器未生效
# Verify adapter is active
print(model.active_adapters) # Should show adapter name
# Check trainable parameters
model.print_trainable_parameters()
# Ensure model in training mode
model.train()
质量下降
# Increase rank
LoraConfig(r=32, lora_alpha=64)
# Target more modules
target_modules = "all-linear"
# Use more training data and epochs
TrainingArguments(num_train_epochs=5)
# Lower learning rate
TrainingArguments(learning_rate=1e-4)
最佳实践
- 初始值设为 r=8-16,若效果不佳可再提高该数值
- 以 alpha = 2 * rank 作为起始参数
- 为获得最佳质量与效率,建议使用注意力机制与多层感知机层
- 开启梯度检查点功能以节省内存
- 频繁保存适配器文件(文件体积小,便于回滚)
- 在合并前使用保留数据集进行评估
- 在消费级硬件上处理 70B 及以上规模的模型时,建议采用 QLoRA 方案
参考资料
资源链接
- GitHub 仓库:https://github.com/huggingface/peft
- 官方文档:https://huggingface.co/docs/peft
- LoRA 相关论文:arXiv:2106.09685
- QLoRA 相关论文:arXiv:2305.14314
- 模型库:https://huggingface.co/models?library=peft