大家在跟Chat GPT互動的時候，會不會覺得常常雞同鴨講
我們梳理了一些提升Chat GPT回答能力的作法 ChatGPT回答不是你要的怎麼辦？
我們也實作了當中的一種方法，叫做RAG於 自己做免錢Chat GPT吧這篇文章，我們談談其他技巧，稱為「透過LoRA執行Fine Tuning」
- LoRA簡介
Microsoft 團隊提出的Low Rank Adaption (LoRA)是一種有效的參數Fine Tuning技術，可幫助改善大型語言模型 (LLM)在特定任務上的效能表現，並且具有較低的運算和儲存成本。 它旨在透過降低模型參數的秩（Rank）來減少模型的複雜度，從而提高模型的一般化能力和適應性。
- LoRA圖示說明
- 既然 LLM 適用於不同任務，那代表模型對於不同任務會有不同的神經元/特徵來處理這件事，如果我們能從眾多特徵中找到適合那個下游任務的特徵，並對他們的特徵進行強化，那我們就能對特定任務有著更好的成果。
- 因此搭配另一組可訓練的參數 Trainable Weight進行組合，藉此最佳化下游任務的成果。
- 右邊橘色模組為我們要訓練的模型權重 LoRA ，透過中間 Rank — r 的限縮，可以大幅地降低訓練的參數量。
- LoRA與LLM中的Transformer關係圖
透過凍結原本的預訓練模型的權重，搭配一個小的模型進行微調就可以達到很好的 Fine-Tuning 效果。透過微調新增的小型網路，當作補丁或是插件。整體想法如上圖：在特定層之中插入小型的 LoRA 網路，來讓模型可適用不同的任務。
- 補充說明
- 矩陣A的權重參數會透過高斯函數初始化，而矩陣B的權重參數會初始化為零矩陣，這樣能保證訓練開始時新增的旁枝BA = 0，從而對模型結果沒有影響。
- Transformer模組中的Attention部分包含Query、Key、Value矩陣，也包含Multiple Attention的矩陣，乃至於Multiple Layer Perceptron的矩陣，LoRA只應用於Attention模組中的四個矩陣，透過實驗發現，LoRA應用於Query和Value矩陣效果最佳。
