一、概述

title：QLORA: Efficient Finetuning of Quantized LLMs

论文地址：https://arxiv.org/pdf/2305.14314.pdf

代码：GitHub - artidoro/qlora: QLoRA: Efficient Finetuning of Quantized LLMs and https://github.com/TimDettmers/bitsandbytes

1.1 Motivation

1. 直接训练650亿参数的LLaMA进行16位微调需要780GB内存，成本太高。
2. 最近量化技术能降低LLM内存使用量，但是一般适应语推理阶段，其用在训练阶段效果就拉跨。

1.2 Methods

1. 本文证明可以在4-bit量化微调带来的损失，可以完全通过adpter来优化，达到原始16-bit微调的精度（chatgpt的99.3%），并极大程度的降低内存使用量同时降低训练时间。

• QLoRA方法要点如下：

• • 直接使用4-bit精度的量化
  • 利用Paging Flow优化内存spikes问题
  • with LoRA

• 实验：利用QLoRA微调了1000多个模型，在8个instruction的数据集上，提供了instruction following和chatbot的详细分析结果。

1. 本文用到的一些节约内存同时不牺牲精度的方法解读：

1. 1. 4-bit NormalFloat（NF4）：一种新的数据类型，在信息理论上优于正常分布的权重，基于Quantile Quantization技术开发，通过估计输入张量的分位数来保证每个量化区间分配相等的值。

1. 1. 1. Quantile是一种统计学术语，指的是将数据集分成几个等份的过程，每个等份包含相同数量的数据点。例如，将一个包含100个数据点的数据集分成四个等份，每个等份包含25个数据点。
      2. Quantization是一种数字信号处理技术，用于将连续信号（如音频或图像）转换为离散信号。这种技术可以用于压缩数据或减少存储空间，同时尽可能地保留原始信号的信息。
      3. Quantile quantization可能指的是将数据集分成几个等份，并将每个等份量化为离散值。这种技术可能用于数据压缩或降低数据存储需求。

1. 1. Double Quantization：双重量化通过量化量化常数来减少平均内存占用【量化的量化？】

1. 1. 1. “双量化”指的是数字信号处理中的一个概念，其中信号被量化两次。量化是用有限数量的离散值逼近连续信号的过程。在双量化中，信号首先被量化到较粗的分辨率，然后再被量化到较细的分辨率。这种技术可用于图像和音频压缩等各种应用，有助于减少表示信号所需的数据量，同时保持信号的整体质量。双重量化也称为逐次逼近量化。

1. 1. Paged Optimizers：这种技术利用了NVIDIA统一内存的特性，实现了CPU和GPU之间自动的页面转换。当GPU内存不足时，Paged Optimizers技术会自动将优化器状态转移到CPU内存，以确保优化器的正常运行。

1. 1. 1. Paged Optimizers：分页优化器，是一种能够在CPU和GPU之间自动转换优化器状态的技术。
      2. NVIDIA统一内存：一种将CPU和GPU内存统一管理的技术，可以让CPU和GPU共享同一块内存，从而减少数据传输的时间和开销。

1.3 Conclusion

1. 本文验证了将量化技术用在训练阶段，利用本文4-bit微调技术QLoRA，能够利用48GB内存的GPU去微调65B参数的模型（正常需要780GB内存），达到ChatGPT99.3%的效果。
2. Guanaco在Vicuna benchmark上表现不错，达到了ChatGPT99.3%的效果。
3. 表明QLoRA可以利用一个小的高精度的数据集，到达一个sota的结果（甚至用更小的模型）。
4. GPT-4可以作为一个评估，相对于人类来说更便宜更可靠。
5. 当前的chatbot benchmarks可能不太可信。
6. lemon-picked分析证明了Guanaco比ChatGPT差的地方。

二、详细内容

1 4-bit QLoRA与16-bit LoRA在Alpaca数据集上RougeL分数对比

• 结论：QLoRA 4-bit训练的模型，可以追平升值超过LoRA 16-bit的模型，说明4-bit + adpater训练量化模型达到比较好的效果是可行的。
• 数据集：Alpaca dataset
• 基础模型：LLaMA 7B
• 评价指标：RougeL
• 说明：原始stanford的分数在60，61左右，本文优化参数后，可以到64+
• LoRA-ALL：在所有线性的transformer block层上用LoRA adapter结构效果最好，超过了Alpaca的LoRA强基线

2 不同的4-bit数据类型对效果的影响

• 结论：NFloat效果比原始的Float效果好很多，DQ（Double Quantization）可以进一步优化对内存的控制。
• zero-shot实验：尝试了不同大小模型（125M-65B）【OPT，BLOOM，Pythia，LLaMA】，各种数据类型下的zero-shot效果

• • 模型效果：NFloat + DQ > NFloat > Float
  • Float：基础的4-bit float类型
  • NFloat：NormalFloat，精度带来比较大的提升
  • NFloat + DQ：NormalFloat + Double Quantization，内存控制效果更好，精度提升不大
  • NF4：4-bit NormalFloat

2 与LoRA 16位微调对比 vs 量化微调（4、8、16）+adapter【GLUE以及Super-NaturalInstructions数据集】

• 无论是使用16位、8位还是4位的适配器方法，都能够复制全16位微调的基准的性能。这说明，尽管量化过程中会存在性能损失，但通过适配器微调（是指LoRA吗？），完全可以恢复这些性能。
• 数据集：GLUE，Super-NaturalInstructions

3 不同大小模型下4-bit QLoRA和16位精度对比【few-shot实验】

• FP4比16位微调低1个百分点
• NFloat4 + DQ可以和BFloat 16持平
• 数据集：5-shot MMLU
• 背景知识：MMLU数据集是一个多模态的语言理解数据集，由清华大学自然语言处理与社会人文计算实验室发布。该数据集包含了中英文文本和语音，覆盖了多种任务，如情感分析、自然语言推理、问答等。MMLU数据集的目的是为了促进多模态语言理解领域的研究和发展。如果您需要更详细的信息，可以访问清华大学自然语言处理与社会人文计算实验室的官网。

4 基于QLoRA的大模型微调实验【Vicuna基准达到ChatGPT的99.3%】【Vicuna基准比26GB的Alpaca高20个点】

• 实验总结：使用QLoRA微调的4-bit模型效果都比较爆炸，比其他4-bit的模型效果好非常多
• 实验方法：基于不同大小的模型，对OASST1【OpenAssistant Conversations数据集】利用QLoRA方法微调得到Guanaco
• 实验结果：使用GPT-4来当裁判，通过4-bit微调后，65B的模型在Vicuna benchmark的zero-shot表现排在第二，7B参数的模型（仅需要5GB内存），比Alpaca高20个点，效果非常好
• 数据集：Vicuna benchmark
• 背景知识：

• • "OpenAssistant Conversations (OASST1)"是一个人工生成的、人工注释的助手式对话语料库，包含161,443条来自35种不同语言的消息，注释了461,292个质量评分，形成了超过10,000个完全注释的对话树。
  • "Vicuna"是一个开源聊天机器人，它通过在ShareGPT上共享的用户对话fine-tuning LLaMA进行训练。Vicuna-13B表现出了令人印象深刻的性能，在使用GPT-4作为基准进行初步评估时，在90%以上的情况下优于其他模型，如LLaMA和Stanford Alpaca 。

5 定性分析

• 总结：

• • Vicuna基准【Vicuna benchmark】更倾向于开源模型，而更大的OA【open assistant】基准更倾向于ChatGPT
  • 强大的MMLU性能并不意味着强大的聊天机器人性能，反之亦然
  • 4位QLORA是有效的，可以产生与ChatGPT竞争的最先进的聊天机器人

三、参考文献

1. QLoRA：一种高效LLMs微调方法，48G内存可调LLaMA-65B (开源):QLoRA：一种高效LLMs微调方法，48G内存可调LLaMA-65B (开源)