PEFT项目中Prompt Tuning与LoRA参数统计机制差异解析

背景介绍

在PEFT（Parameter-Efficient Fine-Tuning）项目中，开发者发现Prompt Tuning和LoRA两种微调方法在统计可训练参数数量时存在不一致行为。这一现象源于两种技术对基础模型的不同处理方式，值得深入分析。

参数统计方法对比

PEFT提供了两种主要的参数统计方法：

1. get_nb_trainable_parameters()：专门用于统计PEFT模型的可训练参数
2. num_parameters(only_trainable=True)：继承自基础模型类的参数统计方法

在Prompt Tuning场景下，这两种方法会返回不同的结果：

• get_nb_trainable_parameters()会正确返回新增的prompt参数数量
• num_parameters()则返回0，因为它只统计基础模型的可训练参数

技术原理分析

这种差异源于两种微调技术的不同实现机制：

Prompt Tuning的工作方式

• 通过添加独立的prompt_encoder模块实现
• 基础模型保持冻结状态
• 新增参数不会修改基础模型结构
• 因此基础模型的num_parameters()方法无法感知这些新增参数

LoRA的工作方式

• 直接在基础模型的线性层旁添加适配器
• 实际上修改了基础模型的结构
• 新增参数成为基础模型的一部分
• 所以num_parameters()能正确统计这些参数

最佳实践建议

对于PEFT用户，建议：

1. 统一使用get_nb_trainable_parameters()进行参数统计
2. 理解不同微调方法对基础模型的影响差异
3. 在需要精确控制参数数量时，查阅相关文档说明

总结

PEFT项目中参数统计的差异现象反映了不同参数高效微调技术的底层实现差异。Prompt Tuning采用非侵入式设计，而LoRA则修改基础模型结构。这种设计选择上的不同导致了参数统计行为的不一致，开发者在选择微调方法和统计参数时应当注意这一特性。