PEFT项目中的LoRA微调与模型保存问题解析

前言

在大型语言模型(LLM)的微调过程中，参数高效微调(PEFT)技术因其显著降低计算资源需求而广受欢迎。其中，LoRA(Low-Rank Adaptation)是最常用的PEFT方法之一。本文将深入分析在使用PEFT进行LoRA微调时可能遇到的模型保存问题，特别是关于adapter_model.bin和adapter_config.json文件缺失的情况。

问题现象

许多开发者在完成LoRA微调后，期望在输出目录中找到以下两个关键文件：

1. adapter_model.bin - 包含适配器的权重参数
2. adapter_config.json - 包含适配器的配置信息

然而在实际操作中，这些文件有时会神秘消失，只出现在检查点(checkpoints)文件夹中，而最终的输出目录却缺少这些关键文件。

问题根源分析

经过深入研究发现，这个问题通常与模型保存前的操作流程有关，特别是以下两个关键点：

1. merge_and_unload()方法的影响：该方法会将LoRA适配器的权重合并到基础模型中，并返回一个普通的transformers模型，而非PEFT模型。此时再调用save_pretrained()保存的是完整模型权重，而非单独的适配器文件。

2. 保存时机不当：如果在merge_and_unload()之后才保存模型，自然无法获得独立的适配器文件，因为此时模型已经不再是PEFT模型结构。

正确的保存流程

为了确保能正确保存LoRA适配器文件，建议采用以下最佳实践：

1. 先保存适配器再合并：

# 训练完成后先保存PEFT模型
model.save_pretrained(output_dir)

# 如果需要合并权重再进行推理
if merge:
    merged_model = model.merge_and_unload()
    merged_model.save_pretrained(merged_output_dir)

2. 理解merge_and_unload的适用场景：该方法主要用于推理阶段，目的是减少适配器带来的计算开销。在训练和保存阶段通常不需要调用此方法。

常见误区

1. 冗余的add_adapter调用：使用get_peft_model()后不需要再调用add_adapter()，除非需要添加多个适配器。

2. 错误的模型类型判断：merge_and_unload()会改变模型类型，从PeftModel变为普通模型，这一点容易被忽视。

技术建议

1. 调试技巧：在保存前打印model的类型(type(model))，确认是否为PeftModelForCausalLM或类似类型。

2. 版本兼容性：确保使用的peft库版本足够新，旧版本可能存在保存功能不完善的问题。

3. 目录结构管理：建议将适配器文件与完整模型保存在不同目录，避免混淆。

总结

正确保存LoRA适配器文件需要对PEFT的工作机制有清晰理解。关键是要区分PEFT模型和普通transformers模型的不同保存行为，并合理安排保存时机。merge_and_unload()是一个强大的工具，但需要在正确的场景下使用。遵循本文的建议，开发者可以避免常见的保存问题，确保微调成果得到妥善保存。

对于大多数应用场景，直接保存PEFT模型(包含适配器)是更推荐的做法，这样可以保持模型的灵活性，便于后续的进一步微调或适配器切换。只有在特定性能要求的推理场景下，才需要考虑合并权重这一步骤。