名称： peft-fine-tuning
描述： 使用 LoRA、QLoRA 等 25 种以上方法进行参数高效微调。适用于 GPU 内存有限时微调大模型（7B-70B）、需要训练 <1% 参数且精度损失最小，或多适配器服务场景。HuggingFace 官方库，与 transformers 生态系统深度集成。
版本： 1.0.0
作者： Orchestra Research
许可证： MIT
标签： [微调, PEFT, LoRA, QLoRA, 参数高效, 适配器, 低秩, 内存优化, 多适配器]
dependencies: [peft>=0.13.0, transformers>=4.45.0, torch>=2.0.0, bitsandbytes>=0.43.0]

PEFT (参数高效微调)

使用 LoRA、QLoRA 等 25 种以上适配器方法，通过训练 <1% 的参数来微调大语言模型。

何时使用 PEFT

在以下情况使用 PEFT/LoRA：
- 在消费级 GPU（如 RTX 4090, A100）上微调 7B-70B 模型
- 需要训练 <1% 的参数（6MB 适配器 vs 14GB 完整模型）
- 希望使用多个任务专用适配器进行快速迭代
- 从一个基础模型部署多个微调变体

在以下情况使用 QLoRA（PEFT + 量化）：
- 在单张 24GB GPU 上微调 70B 模型
- 内存是主要限制因素
- 可以接受相比全参数微调约 5% 的质量折损

在以下情况使用全参数微调：
- 训练小模型（<1B 参数）
- 需要最高质量且拥有充足计算预算
- 领域迁移显著，需要更新所有权重

快速开始

安装

# 基础安装
pip install peft

# 带量化支持（推荐）
pip install peft bitsandbytes

# 完整工具栈
pip install peft transformers accelerate bitsandbytes datasets

LoRA 微调（标准版）

from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import get_peft_model, LoraConfig, TaskType
from datasets import load_dataset

# 加载基础模型
model_name = "meta-llama/Llama-3.1-8B"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token

# LoRA 配置
lora_config = LoraConfig(
    task_type=TaskType.CAUSAL_LM,
    r=16,                          # 秩（8-64，越高容量越大）
    lora_alpha=32,                 # 缩放因子（通常设为 2*r）
    lora_dropout=0.05,             # 正则化 Dropout
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],  # 注意力层
    bias="none"                    # 不训练偏置项
)

# 应用 LoRA
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# 输出：trainable params: 13,631,488 || all params: 8,043,307,008 || trainable%: 0.17%

# 准备数据集
dataset = load_dataset("databricks/databricks-dolly-15k", split="train")

def tokenize(example):
    text = f"### Instruction:\n{example['instruction']}\n\n### Response:\n{example['response']}"
    return tokenizer(text, truncation=True, max_length=512, padding="max_length")

tokenized = dataset.map(tokenize, remove_columns=dataset.column_names)

# 训练
training_args = TrainingArguments(
    output_dir="./lora-llama",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    learning_rate=2e-4,
    fp16=True,
    logging_steps=10,
    save_strategy="epoch"
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized,
    data_collator=lambda data: {"input_ids": torch.stack([f["input_ids"] for f in data]),
                                 "attention_mask": torch.stack([f["attention_mask"] for f in data]),
                                 "labels": torch.stack([f["input_ids"] for f in data])}
)

trainer.train()

# 仅保存适配器（6MB vs 16GB）
model.save_pretrained("./lora-llama-adapter")

QLoRA 微调（内存高效版）

from transformers import AutoModelForCausalLM, BitsAndBytesConfig
from peft import get_peft_model, LoraConfig, prepare_model_for_kbit_training

# 4-bit 量化配置
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",           # NormalFloat4（LLM 最佳选择）
    bnb_4bit_compute_dtype="bfloat16",   # 使用 bf16 计算
    bnb_4bit_use_double_quant=True       # 嵌套量化
)

# 加载量化模型
model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-70B",
    quantization_config=bnb_config,
    device_map="auto"
)

# 为训练做准备（启用梯度检查点）
model = prepare_model_for_kbit_training(model)

# QLoRA 的 LoRA 配置
lora_config = LoraConfig(
    r=64,                              # 70B 模型使用更高秩
    lora_alpha=128,
    lora_dropout=0.1,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    bias="none",
    task_type="CAUSAL_LM"
)

model = get_peft_model(model, lora_config)
# 70B 模型现在可以放入单张 24GB GPU！

LoRA 参数选择

秩 (r) - 容量 vs 效率

Alpha (lora_alpha) - 缩放因子

# 经验法则：alpha = 2 * rank
LoraConfig(r=16, lora_alpha=32)  # 标准配置
LoraConfig(r=16, lora_alpha=16)  # 保守（学习率效应较低）
LoraConfig(r=16, lora_alpha=64)  # 激进（学习率效应较高）

按架构选择目标模块

# Llama / Mistral / Qwen
target_modules = ["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]

# GPT-2 / GPT-Neo
target_modules = ["c_attn", "c_proj", "c_fc"]

# Falcon
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# BLOOM
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# 自动检测所有线性层
target_modules = "all-linear"  # PEFT 0.6.0+

加载与合并适配器

加载训练好的适配器

from peft import PeftModel, AutoPeftModelForCausalLM
from transformers import AutoModelForCausalLM

# 选项 1：使用 PeftModel 加载
base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.1-8B")
model = PeftModel.from_pretrained(base_model, "./lora-llama-adapter")

# 选项 2：直接加载（推荐）
model = AutoPeftModelForCausalLM.from_pretrained(
    "./lora-llama-adapter",
    device_map="auto"
)

将适配器合并到基础模型

# 合并以用于部署（无适配器开销）
merged_model = model.merge_and_unload()

# 保存合并后的模型
merged_model.save_pretrained("./llama-merged")
tokenizer.save_pretrained("./llama-merged")

# 推送到 Hub
merged_model.push_to_hub("username/llama-finetuned")

多适配器服务

from peft import PeftModel

# 加载基础模型及第一个适配器
model = AutoPeftModelForCausalLM.from_pretrained("./adapter-task1")

# 加载额外适配器
model.load_adapter("./adapter-task2", adapter_name="task2")
model.load_adapter("./adapter-task3", adapter_name="task3")

# 运行时切换适配器
model.set_adapter("task1")  # 使用 task1 适配器
output1 = model.generate(**inputs)

model.set_adapter("task2")  # 切换到 task2
output2 = model.generate(**inputs)

# 禁用适配器（使用基础模型）
with model.disable_adapter():
    base_output = model.generate(**inputs)

PEFT 方法对比

IA3（参数最少）

from peft import IA3Config

ia3_config = IA3Config(
    target_modules=["q_proj", "v_proj", "k_proj", "down_proj"],
    feedforward_modules=["down_proj"]
)
model = get_peft_model(model, ia3_config)
# 仅训练 0.01% 的参数！

Prefix Tuning

from peft import PrefixTuningConfig

prefix_config = PrefixTuningConfig(
    task_type="CAUSAL_LM",
    num_virtual_tokens=20,      # 前置令牌数量
    prefix_projection=True       # 使用 MLP 投影
)
model = get_peft_model(model, prefix_config)

集成模式

与 TRL (SFTTrainer) 集成

from trl import SFTTrainer, SFTConfig
from peft import LoraConfig

lora_config = LoraConfig(r=16, lora_alpha=32, target_modules="all-linear")

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(output_dir="./output", max_seq_length=512),
    train_dataset=dataset,
    peft_config=lora_config,  # 直接传入 LoRA 配置
)
trainer.train()

与 Axolotl（YAML 配置）集成

# axolotl config.yaml
adapter: lora
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules:
  - q_proj
  - v_proj
  - k_proj
  - o_proj
lora_target_linear: true  # 目标为所有线性层

与 vLLM（推理）集成

from vllm import LLM
from vllm.lora.request import LoRARequest

# 加载支持 LoRA 的基础模型
llm = LLM(model="meta-llama/Llama-3.1-8B", enable_lora=True)

# 使用适配器进行服务
outputs = llm.generate(
    prompts,
    lora_request=LoRARequest("adapter1", 1, "./lora-adapter")
)

性能基准

内存使用（Llama 3.1 8B）

训练速度（A100 80GB）

质量（MMLU 基准）

常见问题

训练时 CUDA OOM

# 解决方案 1：启用梯度检查点
model.gradient_checkpointing_enable()

# 解决方案 2：减小批次大小 + 增加累积步数
TrainingArguments(
    per_device_train_batch_size=1,
    gradient_accumulation_steps=16
)

# 解决方案 3：使用 QLoRA
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4")

适配器未生效

# 验证适配器是否激活
print(model.active_adapters)  # 应显示适配器名称

# 检查可训练参数
model.print_trainable_parameters()

# 确保模型处于训练模式
model.train()

质量下降

# 增加秩
LoraConfig(r=32, lora_alpha=64)

# 目标更多模块
target_modules = "all-linear"

# 使用更多训练数据和轮次
TrainingArguments(num_train_epochs=5)

# 降低学习率
TrainingArguments(learning_rate=1e-4)

最佳实践

1. 从 r=8-16 开始，若质量不足再增加
2. 以 alpha = 2 * rank 作为起点
3. 目标为注意力层 + MLP 层，以获得最佳质量/效率平衡
4. 启用梯度检查点以节省内存
5. 频繁保存适配器（文件小，易于回滚）
6. 在合并前使用保留数据评估
7. 在消费级硬件上对 70B+ 模型使用 QLoRA

参考资料

• 高级用法 - DoRA, LoftQ, 秩稳定化, 自定义模块
• 故障排除 - 常见错误，调试，优化

资源

• GitHub: https://github.com/huggingface/peft
• 文档: https://huggingface.co/docs/peft
• LoRA 论文: arXiv:2106.09685
• QLoRA 论文: arXiv:2305.14314
• 模型库: https://huggingface.co/models?library=peft