Тонкая настройка и перенос обучения: руководство по обучению моделей

Тонкая настройка — это процесс адаптации предварительно обученных моделей для конкретных задач или доменов. При правильных стратегиях тонкой настройки можно добиться увеличения производительности до 40% в корпоративных AI‑решениях.

Основы Transfer Learning

Transfer learning — это перенос знаний, полученных в одной задаче, на другую задачу.

Преимущества Transfer Learning

1. Эффективность работы с данными: Хорошие результаты при меньшем количестве данных
2. Экономия времени: Гораздо быстрее, чем обучение с нуля
3. Снижение затрат: Меньше вычислительных ресурсов
4. Производительность: Использование предварительно обученных знаний

Pre-training vs Fine-tuning

1Pre-training:
2- Large, general dataset (TBs)
3- Learning general language/task understanding
4- Training takes months
5- Cost in millions of dollars
6
7Fine-tuning:
8- Small, domain-specific dataset (MB-GB)
9- Specific task adaptation
10- Training takes hours-days
11- Cost in thousands of dollars

Полная тонкая настройка (Full Fine-Tuning)

Обновление всех параметров модели.

Преимущества

• Максимальный потенциал адаптации
• Наивысшая потенциальная производительность

Недостатки

• Высокие требования к памяти
• Риск катастрофического забывания
• Отдельная копия модели для каждой задачи

Требования к оборудованию

Параметрически эффективная тонкая настройка (PEFT)

Тонкая настройка с обновлением только небольшой части параметров.

Преимущества PEFT

• Эффективность памяти: Снижение более чем на 90%
• Скорость: Более быстрое обучение
• Модульность: Одна базовая модель, множество адаптеров
• Катастрофическое забывание: Минимальный риск

LoRA (Low-Rank Adaptation)

Самый популярный метод PEFT.

Теория LoRA

Обновление матрицы весов приблизительно с использованием матриц низкого ранга:

1W' = W + ΔW = W + BA
2
3Where:
4- W: Original weight matrix (d × k)
5- B: Low-rank matrix (d × r)
6- A: Low-rank matrix (r × k)
7- r: Rank (typical: 8-64)

Экономия параметров

1Original: d × k parameters
2LoRA: r × (d + k) parameters
3
4Example (d=4096, k=4096, r=16):
5Original: 16.7M parameters
6LoRA: 131K parameters
7Savings: ~127x

Конфигурация LoRA

1from peft import LoraConfig, get_peft_model
2
3config = LoraConfig(
4    r=16,                      # Rank
5    lora_alpha=32,             # Scaling factor
6    target_modules=[           # Which layers to apply
7        "q_proj",
8        "k_proj", 
9        "v_proj",
10        "o_proj"
11    ],
12    lora_dropout=0.05,
13    bias="none",
14    task_type="CAUSAL_LM"
15)
16
17model = get_peft_model(base_model, config)

Гиперпараметры LoRA

Rank (r):

• Низкий (4-8): Простые задачи, мало данных
• Средний (16-32): Общие случаи
• Высокий (64-128): Сложная адаптация

Alpha:

• Обычно alpha = 2 × r

Target Modules:

• Attention‑слои: q_proj, k_proj, v_proj, o_proj
• MLP‑слои: gate_proj, up_proj, down_proj

QLoRA (Quantized LoRA)

Комбинация LoRA + 4‑битная квантизация.

Особенности QLoRA

1. 4-bit NormalFloat (NF4): Пользовательский формат квантизации
2. Double Quantization: Квантизация констант квантизации
3. Paged Optimizers: Управление переполнением GPU‑памяти

Сравнение памяти QLoRA

Реализация QLoRA

1from transformers import BitsAndBytesConfig
2import torch
3
4bnb_config = BitsAndBytesConfig(
5    load_in_4bit=True,
6    bnb_4bit_use_double_quant=True,
7    bnb_4bit_quant_type="nf4",
8    bnb_4bit_compute_dtype=torch.bfloat16
9)
10
11model = AutoModelForCausalLM.from_pretrained(
12    "meta-llama/Llama-2-7b-hf",
13    quantization_config=bnb_config,
14    device_map="auto"
15)
16## Другие методы PEFT
17
18### Prefix Tuning
19
20Добавляет обучаемые префиксы к входным эмбеддингам:
21

Input: [PREFIX_1, PREFIX_2, ..., PREFIX_N, token_1, token_2, ...]

1
2### Prompt Tuning
3
4Обучение мягких промптов:
5

[SOFT_PROMPT] + "Actual input text"

1
2### Adapter Layers
3
4Добавление небольших сетей между слоями трансформера:
5

Attention → Adapter → LayerNorm → FFN → Adapter → LayerNorm

1
2### (IA)³ - Infused Adapter
3
4Перемножение активаций с обучаемыми векторами:
5

output = activation × learned_vector

1
2## Подготовка данных
3
4### Форматы данных
5
6**Instruction Format:**
7```json
8{
9  "instruction": "Summarize this text",
10  "input": "Long text...",
11  "output": "Summary..."
12}

Chat Format:

1{
2  "messages": [
3    {"role": "system", "content": "You are a helpful assistant"},
4    {"role": "user", "content": "Question..."},
5    {"role": "assistant", "content": "Answer..."}
6  ]
7}

Качество данных

Характеристики хороших данных:

• Разнообразие (разнообразные примеры)
• Последовательность (единый формат)
• Точность (корректные метки)
• Достаточный объем (обычно 1K–100K примеров)

Аугментация данных

1# Paraphrasing
2augmented_data = paraphrase(original_data)
3
4# Back-translation
5translated = translate(text, "tr")
6back_translated = translate(translated, "en")
7
8# Synonym replacement
9augmented = replace_synonyms(text)

Стратегии обучения

Выбор гиперпараметров

1training_args = TrainingArguments(
2    learning_rate=2e-4,        # Typical for LoRA
3    num_train_epochs=3,
4    per_device_train_batch_size=4,
5    gradient_accumulation_steps=4,
6    warmup_ratio=0.03,
7    lr_scheduler_type="cosine",
8    fp16=True,
9    logging_steps=10,
10    save_strategy="epoch",
11    evaluation_strategy="epoch"
12)

Скорость обучения (Learning Rate)

• Full fine-tuning: 1e-5 - 5e-5
• LoRA: 1e-4 - 3e-4
• QLoRA: 2e-4 - 5e-4

Регуляризация

1# Weight decay
2weight_decay=0.01
3
4# Dropout
5lora_dropout=0.05
6
7# Gradient clipping
8max_grad_norm=1.0

Оценка и валидация

Метрики

Perplexity:

PPL = exp(average cross-entropy loss)
Lower = better

BLEU/ROUGE: качество генерации текста

Task-specific: Accuracy, F1, пользовательские метрики

Обнаружение переобучения

1Train loss ↓ + Validation loss ↑ = Overfitting
2
3Solutions:
4- Early stopping
5- More dropout
6- Data augmentation
7- Fewer epochs

Деплоймент

Слияние моделей

Слияние адаптера LoRA с базовой моделью:

merged_model = model.merge_and_unload()
merged_model.save_pretrained("merged_model")

Multi-Adapter Serving

Несколько адаптеров с одной базовой моделью:

1from peft import PeftModel
2
3base_model = AutoModelForCausalLM.from_pretrained("base")
4model_a = PeftModel.from_pretrained(base_model, "adapter_a")
5model_b = PeftModel.from_pretrained(base_model, "adapter_b")

Корпоративный Pipeline для Fine-Tuning

1┌─────────────┐     ┌─────────────┐     ┌─────────────┐
2│ Data        │────▶│ Training    │────▶│ Evaluation  │
3│ Preparation │     │ (LoRA/QLoRA)│     │ & Testing   │
4└─────────────┘     └─────────────┘     └──────┬──────┘
5                                                │
6                    ┌─────────────┐     ┌──────▼──────┐
7                    │ Production  │◀────│ Model       │
8                    │ Deployment  │     │ Registry    │
9                    └─────────────┘     └─────────────┘

Распространенные проблемы и решения

1. Out of Memory

Solution: QLoRA, gradient checkpointing, уменьшение batch size

2. Catastrophic Forgetting

Solution: снижение learning rate, replay buffer, elastic weight consolidation

3. Overfitting

Solution: больше данных, регуляризация, early stopping

4. Плохая обобщающая способность

Solution: увеличение разнообразия данных, разнообразия инструкций

Заключение

Тонкая настройка — это наиболее эффективный способ адаптировать предварительно обученные модели под нужды предприятия. Мощные кастомизации могут быть выполнены даже при ограниченных ресурсах с использованием PEFT‑методов, таких как LoRA и QLoRA.

В Veni AI мы предоставляем услуги консалтинга и внедрения для корпоративных проектов по тонкой настройке. Свяжитесь с нами для решения ваших задач.