从0到1！得物如何打造通用大模型训练和推理平台

1.背景

近期，GPT大模型的发布给自然语言处理（NLP）领域带来了令人震撼的体验。随着这一事件的发生，一系列开源大模型也迅速崛起。依据一些评估机构的评估，这些开源模型大模型的表现也相当不错。一些大模型的评测情况可以去这里查询：Huggingface的Open LLM排行榜，UC伯克利发布大语言模型排行榜等。

随着大模型的发展，大模型的训练与部署技术变的非常重要了。我们调研了LORA与QLORA等微调训练技术，以及GPTQ量化部署技术。在跑通最小Demo并验证效果后，把这些技术集成到KubeAI平台(得物AI平台)，提供给大家去快速上手。

本篇主要分为技术理论与技术实战两个部分去讲解。

技术理论主要讲解微调训练与量化推理的理论部分，微调训练包括LoRA,QLoRA, 部署包括GPTQ量化推理等，并针对关键代码进行走读，针对部署进行性能测试。

技术实战部分我们把这些技术集成到KubeAI平台上，供大家可以快速上手实战。依据前面同学的反馈情况，大约一天内可以完成大模型训练并部署推理上线。

2.LoRA与QLoRA训练技术

2.1 LoRA技术介绍

LoRA，英文全称 Low-Rank Adaptation of Large Language Models（中文为大语言模型的低阶适应）。

这是微软的研究人员为了解决大语言模型微调而开发的一项技术，

其 github 地址为 https://github.com/microsoft/LoRA ，

当前已经得到HuggingFace 的 PEFT库 https://github.com/huggingface/peft 的支持。

对于大语音模型来说，其参数量非常多。GPT3有1750亿参数，而且LLAMA系列模型包括 7B,13B,33B,65B，而其中最小的7B都有70亿参数。要让这些模型去适应特定的业务场景，需要对他们进行微调。如果直接对这些模型进行微调，由于参数量巨大，需要的GPU成本就会非常高。LoRA就是用来解决对这些大语言模型进行低成本微调的技术。

LoRA的做法是对这些预训练好的大模型参数进行冻结，也就是在微调训练的时候，这些模型的参数设置为不可训练。然后往模型中加入额外的网络层，并只训练这些新增的网络层参数。这样可训练的参数就会变的非常少，可以以低成本的GPU微调大语言模型。

参照 https://arxiv.org/abs/2106.09685

LoRA在Transformer架构的每一层注入可训练的秩分解矩阵，与使用Adam微调的GPT-3 175B相比，LoRA可以将可训练参数数量减少10000倍，GPU内存需求减少3倍，并且在效果上相比于传统微调技术表现的相当或更好。

下面以Transformer的线性层为例，讲解下LoRA具体是如何操作的。

在Transformer模型中的线性层，通常进行矩阵乘法操作，如Y = XW，其中X是输入矩阵，W是权重矩阵，也是模型训练求解的参数。

对于LoRA方法在Transformer的线性层中的操作步骤：

• 在每个线性层旁边增加一个"旁路"，由降维矩阵A和升维矩阵B构成。低秩分解在这里发挥作用，例如我们有一个100x100的矩阵C，我们可以通过低秩分解将其分解为A和B(假设秩设置为1)，其中A是100x1的矩阵，B是1x100的矩阵。这样，原本10000个参数的矩阵C被分解为总共200个参数的矩阵A和B。
• 训练过程中，原线性层的权重矩阵W保持不变，只训练降维矩阵A和升维矩阵B。
• 在推理时，将矩阵B和A的乘积加到原始线性层的权重矩阵W上。因为A和B的秩较低，这个操作不会增加额外的推理延迟。
• 对于一般的任务，秩选取1,2,4,8,16足矣。

2.2 LoRA关键代码走读

上面讲解了LoRA的关键，接下来我们针对最新的版本PEFT中的LoRA实现，进行关键代码走读。LoRA的核心代码逻辑在：https://github.com/huggingface/peft/blob/main/src/peft/tuners/lora.py

其中有两个核心的类，一个是LoraConfig，另一个是LoraModel。

LoraConfig是LoRA的核心配置类，它是用于配置LoRAModel的类，其中包含了一些用于控制模型行为的参数。

这个类的主要参数有：

• r：LoRa（低秩逼近）注意力维度，就是前面所说的秩。默认值是8。
• target_modules：要应用LoRa的模块名列表。
• lora_alpha：LoRa的alpha参数。默认值是8。
• lora_dropout：LoRa层的dropout概率。默认值是0.0。
• bias：LoRa的偏置类型。可以是'none'、'all'或'lora_only'。

LoraModel是LoRA模块的核心类，冻结base model的参数，旁路低秩矩阵的创建，替换，合并等逻辑都在这个类中。下面我们把他的关键逻辑结合上面的介绍走读一下。

2.2.1 初始化函数

从初始化函数中我们看到LoraModel也是继承torch.nn.Module，相当于pytorch的一个网络模块。传入参数中base_model相当于被用来微调的基础大模型，config包含LoraConfig。在初始化中LoraModel把自己的前向传播函数forword设置为大模型的forward方法。

2.2.2 初始化：使用新的LoraLayer替换target_modules中配置的Layer，实现上面所说的添加旁路低秩矩阵的功能。

上述代码的主要功能：

• 依据LoraConfig中配置的tagetModules，在base_model(大模型)中找到这些Module
• 创建新的LoraLayer，新的LorayLayer中会包含原来target_module的layer，并在其旁边并行旁路，旁路主要是低秩矩阵Lora_A与Lora_B组成的低秩两个低秩矩阵的加法
• 使用新创建的LoraLayer替换原来的target_module的layer。

通过这一步实现了在大模型的target_modules的layer中增加旁路低秩矩阵。

2.2.3 初始化：冻结大模型的参数

可见除了新增的LoraLayer的模块外，其他所有参数都被冻结。

2.2.4 前向传播：添加了旁路低秩矩阵后的运算逻辑(以LineLayer为例)

在上述代码中：

• 使用大模型target_module中线性层进行计算，得出结果result。
•   使用lora_A与lora_B的低秩矩阵进行计算   并把计算结果加到result上。

以上是主要逻辑，其他逻辑可以深入代码去了解。PEFT库中Lora的实现与论文中所述一致。

2.3 QLORA技术介绍

LoRA技术虽然可以在一定程度上节省显存，提升训练速度，但是把大模型以float16的方式运行，还是会占用很多显存。比如：在batch size开到极小的情况下，单卡A100(80G显存)只能微调7B系列的模型，13B模型在正常情况下需要120G显存，微调65B模型需要超过780G的显存。

为此华盛顿大学的研究者提出了QLoRA技术，极端情况下单个24GB GPU上实现33B的微调，可以在单个48Gi显存微调65B模型。当然这种情况下微调会变得比较慢

论文参考 https://arxiv.org/abs/2305.14314。

上图中描述了LoRA与QLoRA在微调训练的时候的区别，从QLoRA的名字可以看出，QLoRA实际上是Quantize+LoRA技术，简单的说就是把大模型(Base Model)在训练的时候从16bit压缩到4bit。从而降低训练的显存。

• 4位NormalFloat，QLoRA使用NF4(Normal Float 4)bit来量化压缩预训练模型。这是一种优化的4位量化方法，它针对神经网络权重通常遵循零中心正态分布的特性进行优化。使用标准正态分布函数将权重缩放到[-1, 1]的范围内。相比传统的4位量化，它的权重信息损失少，从而提高了模型量化的整体精度。
• 双重量化，双重量化是一种内存优化策略，它对量化所使用的常数进行二次量化，进一步减小内存占用。这意味着我们可以在保持精度的同时，降低了内存需求。
• Page Optimizer，这是一种内存管理技术，利用了NVIDIA的统一内存特性，在CPU和GPU之间进行自动page对page传输，它在GPU内存不足时，可以将一部分数据暂时移到CPU内存，需要时再移回。这降低了在大型模型训练时由于内存不足而造成的问题。

在我们的平台经过实测，训练33B的模型最低需要26G显存。但是需要把batch-szie设置为1，这样训练速度会比较慢。在实际操作中可以再适当加大batch size的值，配合4bit量化，就可以在少量GPU资源情况下训练33B大模型了，当然13B的大模型使用QLORA同样效果不错。

目前最新版本的PEFT库也添加了对QLoRA的支持，喜欢代码的同学可以去深入了解下。

3.量化推理介绍

3.1 GPTQ量化介绍

GPTQ（Generative Pretrained Transformer Quantization）是一种新的后训练量化方法，可以有效地执行对有数百亿参数的模型的量化，并且能够将这些模型压缩到每个参数3或4位，而不会有显著的精度损失，论文参考https://arxiv.org/abs/2210.17323。

所谓后训练量化是指在模型训练完成之后进行量化，模型的权重会从32位浮点数（或其他较高精度格式）转换为较低精度格式，例如4位整数。这种转换大大减小了模型的大小，并减少了运行模型所需的计算量。但是，这也可能会导致一定程度的精度损失。

3.2 GPTQ量化数据对比

目前业界有几种量化方法，包括GGML，GPTQ等，经过实测，我们发现GPTQ量化部署精度损失少，性能也不错。

我们通过对13B的模型进行4bit量化测试，发现经过GPTQ量化后的对比如下：

4.实战：kubeai平台大模型训练与推理

前面我们介绍了大模型的训练技术:LoRA与QLoRA的工作原理，介绍了通过GPTQ量化部署的步骤。我们把这些步骤集成在KubeAI的训练推理平台中，供大家研究，并同时提供7B,13B,33B大模型备选。KubeAI中选择GPT服务/定制版(Finetune)即可体验。

4.1 kubeAI平台的训练与推理工作流程

• 大模型选型支持，kubeAI平台提供（7B，13B，33B）三种类型，后续逐渐增加更多支持。
• 大模型微调训练，现在支持LoRA，QLoRA两种方式，后续会增加其他方式。
• 训练后，会产生两个大模型，一个是16Bit的原始模型，一个是GPTQ4bit量化后的模型(配合QLoRA)。
• 我们提供一键部署的功能，用户选择对应的模型后，可以一键部署成服务，并提供页面与API接口供用户体验效果。

4.2 用户在kubeAI进行训练与推理部署大模型的步骤

• 选择大模型，目前提供（7B，13B，33B）三个版本。
• 上传训练数据，目前支持alpaca数据格式。
• 配置训练参数，只需要依据GPU情况配置batch size与训练步骤，大部分使用默认参数即可。
• 点击开始训练。
• 训练结束后选择模型，点击部署，即可一键部署成服务。
• 部署服务后，点击访问链接，会有一个访问页面，页面上会提供相应的API调用接口。

4.3 kubeAI平台基于知识库的推理功能

• 推理大模型实现，可离线部署，可以针对专业场景做训练优化。
• 文本向量模型，可离线部署，还可以针对局部场景做训练优化。
• 可快速实现接入多种数据源，支持pdf、txt、md、docx、csv等文件类型接入。
• 在分句、文档读取等方面，针对中文使用场景优化。

5.总结

我们调研了大模型的微调训练方法LoRA与QLoRA，以及大模型的推理部署GPTQ量化部署。把上面的微调训练到推理部署的整个链路集成到kubeAI平台上，提供给大家快速实验。此外还集成了以文档形式上传到知识库，配合知识库进行推理的场景。

大模型的训练与推理方法除了以上所提LORA、QLORA、GPTQ外，还有其他技术。因为大模型社区比较火爆，后面肯定会有更优的微调训练与量化部署技术。后续我们会持续跟踪，如果在效果与性能上优于当前支持的方法，平台也将及时基于目前的框架继续集成这些新的方法。

*文/linggong

本文属得物技术原创，更多精彩文章请看：得物技术官网

未经得物技术许可严禁转载，否则依法追究法律责任！