Qwen-VL项目中LoRA训练与全参数保存的技术实现
2025-06-05 23:43:32作者:龚格成
背景介绍
在大型语言模型微调过程中,LoRA(Low-Rank Adaptation)是一种高效且节省资源的参数微调方法。它通过在原始模型参数旁添加低秩矩阵来实现微调,而不改变原始模型参数。然而,在某些应用场景下,开发者可能希望在LoRA训练的同时保留完整模型的参数更新能力。
LoRA训练的基本原理
LoRA技术通过在Transformer层的注意力机制中引入两个低秩矩阵(通常记为A和B)来实现微调。在标准实现中,训练完成后只保存这些低秩适配器的权重,原始模型参数保持不变。这种方法的优势在于:
- 显著减少需要训练的参数数量
- 便于模型切换和部署
- 节省存储空间
全参数保存的需求场景
在某些特殊情况下,开发者可能需要:
- 同时微调LoRA适配器和部分原始模型参数
- 保留完整的模型状态而不仅仅是适配器
- 实现更灵活的模型组合和迁移
技术实现方案
方案一:手动参数保存与加载
通过遍历模型的所有可训练参数,开发者可以手动保存这些参数到文件:
to_save = {
f"{name}.{param_name}": param.detach().cpu()
for name, module in model.named_modules()
for param_name, param in module.named_parameters()
if param.requires_grad
}
torch.save(to_save, 'output_dir/lora_adapter_model.pth')
加载时则需要先加载基础模型,再加载保存的参数:
saved_parameters = torch.load('output_dir/lora_adapter_model.pth')
model.load_state_dict(saved_parameters, strict=False)
这种方法提供了最大的灵活性,但需要开发者对模型结构有深入了解。
方案二:使用modules_to_save参数
Qwen-VL项目提供了更简便的modules_to_save
参数来实现这一需求。通过指定需要额外保存的模块,可以在LoRA训练的同时更新这些模块的参数:
# 示例配置
modules_to_save = [
"transformer.wte", # 词嵌入层
"lm_head" # 语言模型头部
]
其中:
transformer.wte
代表词嵌入层(Word Token Embeddings)lm_head
代表语言模型的任务特定头部(Language Model Head)
关键模块解析
-
词嵌入层(wte):负责将输入token转换为向量表示,对模型理解输入内容至关重要。
-
语言模型头部(lm_head):将隐藏状态转换为词汇表上的概率分布,直接影响模型的生成质量。
通过微调这些关键模块,可以在保持LoRA高效性的同时,获得更精细的控制能力。
实际应用建议
- 对于大多数场景,标准LoRA训练已经足够
- 当需要调整模型的基础表示能力时,可考虑添加词嵌入层
- 当生成质量需要特别优化时,可包含语言模型头部
- 全参数保存会显著增加存储需求,应谨慎使用
总结
Qwen-VL项目提供了灵活的参数微调方案,开发者可以根据具体需求选择纯LoRA训练或结合部分原始参数更新的混合模式。通过合理配置modules_to_save
参数,可以在资源消耗和模型性能之间取得平衡。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0369Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++095AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
195
2.17 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
72

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
973
574

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
79

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
349
1.36 K

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

React Native鸿蒙化仓库
C++
207
284

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17