一、普通全量微调模型

核心机制：模型克隆

1. 深拷贝创建

   • 通过create_reference_model(model)对当前模型进行完全复制（包括所有层和参数）。
   • 示例代码：

     import copy
     def create_reference_model(model):
         ref_model = copy.deepcopy(model)
         ref_model.requires_grad_(False)  # 冻结参数
         ref_model.eval()                 # 评估模式
         return ref_model
     

   • 技术细节：深拷贝会递归复制所有子模块，确保参考模型与原始模型完全独立。

2. 参数冻结与评估模式

   • requires_grad_(False)：关闭梯度计算，防止反向传播影响参考模型。
   • eval()：关闭Dropout和BatchNorm等训练专用层，保证输出稳定性。

3. 内存占用分析

   • 原始模型参数量为N时，总内存占用≈2N。
   • 典型场景：7B参数的模型需要约14GB显存（假设FP32精度）。

4. 同步机制（可选）

   • 启用sync_ref_model后，通过回调函数周期性将参考模型参数替换为当前模型：

     class SyncRefModelCallback:
         def on_step_end(self, args, state, control, **kwargs):
             with torch.no_grad():
                 for ref_param, model_param in zip(ref_model.parameters(), model.parameters()):
                     ref_param.copy_(model_param.detach())
     

   • 应用场景：允许参考模型跟随训练进度，实现动态策略约束。

---

二、PEFT微调模型

核心机制：动态适配器切换

1. PEFT架构特性

   • 典型实现（如LoRA）：在原始模型基础上添加低秩适配器矩阵。
   • 参数分布：基础模型参数冻结（占比≈95%），仅训练适配器（占比≈5%）。

2. 禁用适配器原理

   • 上下文管理器disable_adapter()的工作流程：

     class LoraModel:
         def disable_adapter(self):
             original_forward = self.layer.forward
             self.layer.forward = self.original_forward  # 恢复原始前向传播
     

   • 技术效果：前向计算时绕过所有适配器层，等同于原始模型。

3. 内存优化原理

   • 不需要存储额外模型实例，节省≈N显存。
   • 示例对比：7B模型PEFT微调时，显存占用从14GB降至≈7.5GB。

4. 梯度计算隔离

   • 即使禁用适配器，反向传播时仍只会更新适配器参数。
   • 实现方式：通过PyTorch的torch.no_grad()上下文管理器：

     with model.disable_adapter():
         with torch.no_grad():  # 确保不计算参考模型梯度
             outputs = model(inputs)
     

---

三、DeepSpeed ZeRO-3模式

核心机制：权重重加载

1. ZeRO-3分片原理

   • 参数分布：模型参数被划分到多个GPU，单个设备只保留部分参数。
   • 示例：8 GPU训练时，每个GPU存储约1/8的参数和优化器状态。

2. 无法深拷贝的根本原因

   • 分片后的参数无法通过常规方式访问完整副本。
   • 尝试复制会引发错误：RuntimeError: Cannot access full parameter outside of forward/backward

3. 重加载实现细节

   • 从磁盘或缓存重新初始化模型：

     model_id = "qwen/Qwen1.5-7B"
     ref_model = AutoModelForCausalLM.from_pretrained(
         model_id,
         device_map="auto",
         torch_dtype=torch.bfloat16
     )
     

   • 优化技巧：使用accelerate库的disk_offload功能减少内存压力。

4. 分布式一致性保证

   • 通过DeepSpeed的broadcast_parameters()确保所有GPU加载相同初始权重。
   • 关键代码：

     deepspeed.utils.broadcast_parameters(ref_model.state_dict())
     

---

四、KL散度计算流程

无论采用何种参考模型机制，最终目标都是计算：
$$D_{KL}({\pi }_{\theta }||{\pi }_{ref})={\mathbb{E}}_{x\sim {\pi }_{\theta }}[\log {\pi }_{\theta }(x)-\log {\pi }_{ref}(x)]$$

1. 计算步骤

   def compute_kl_divergence(model, ref_model, inputs):
       with torch.no_grad():
           ref_logits = ref_model(**inputs).logits
       current_logits = model(**inputs).logits
       
       kl = F.kl_div(
           F.log_softmax(current_logits, dim=-1),
           F.softmax(ref_logits.detach(), dim=-1),
           reduction='batchmean'
       )
       return kl
   

2. 各机制下的实现差异

   • 普通微调：直接调用ref_model计算
   • PEFT：在disable_adapter()上下文中用同一模型计算
   • ZeRO-3：使用独立加载的ref_model计算

---

五、选型建议

微调类型	适用场景	显存开销	计算效率
普通全量微调	单卡/多卡非ZeRO环境	高	高
PEFT微调	低显存设备（如消费级GPU）	低	中
DeepSpeed ZeRO-3	超大模型训练（如>20B参数）	最低	较低

典型决策流程：

是否需要训练超大模型（>20B）？
├─ 是 → 采用DeepSpeed ZeRO-3
└─ 否 → 显存是否充足（如A100 80G）？
         ├─ 是 → 普通全量微调
         └─ 否 → 使用PEFT微调

---