1.什么是LoRA？

        LoRA的全称是LOW-RANK-ADAPTATION。是一种实现迁移学习的技术手段。

2. 矩阵的秩？

        秩是一个向量空间的基向量的个数。例如：二维平面坐标系存在两个基向量，平面上任意的一个向量都可以使用这两个基向量进行线性表示，则秩为2。三维空间中则有3个基向量。3维空间存在很多对的基向量，而正交的基向量才是最简单的。秩是矩阵特有的属性。

3. Transforerm中的矩阵有哪些？

        很明显最常见的就是Q，V，K这3个矩阵了。在transformer中，一个字母的被embeding之后，又会被Q，K，V这个3个参数矩阵进行映射到D_model的512维度。这里假设输入的序列长度为100，embeding为256，则Q，K，V这3个矩阵的维度都是（256，512）。设矩阵M=（256，512）。则矩阵M的秩是小于或等于256的，如果M是满秩的则说明embeding为256可能是不够的，需要往大了调整。

        但是如果矩阵M不是满秩矩阵，则说明embeding为256维度的向量空间是搓搓有余的。如果M的秩为100，则说明任意一个字符的embeding空间向量都可以使用这100个基向量来进行表示。

        LoRA就是这么认为的，他直接认为大模型生成的各种向量空间的秩都很低（模型太胖了，容量很大）。

        在数学上，这种非满秩矩阵都可以表示成两个矩阵的乘积。举个例子：M=（256，512），假设他的秩是100，那么则有（256，100）*（100，512） = （256，512）。再假设A=（256，100），B=（100，512），也就是矩阵M=A*B，即M可以使用两个矩阵乘积进行表示了。在这里计算一下参数减少量：1-（256*100+100*512）/（256*512）=41%。可以看到使用A*B代表矩阵M直接减少了41%的参数量，简直美滋滋啊。

4. 如何应用LoRA进行模型微调？

        模型微调是迁移学习的一张具体应用，而LoRA又是模型微调的一种技术手段。我们一般需要借助的是大模型强大的基础特征提取能力，再这个基础上fit特定领域的数据，也就是我们需要微调的部分。如下图所示，LoRA经常一种bypass的方式加在模型当中，训练时只更新LoRA部分的权重。可以看到大模型的权重是d×d的维度，而LoRA使用（d，r）*（r，d）两个矩阵进行相乘就可以得到d×d，然后两个特征进行相加即可，其中r是超参数，表示左边蓝色W矩阵的秩。

        很明显，LoRA适用于模型中网络层体量很大的部分，比如Q，K，V这3个矩阵，即将每个字母的embeding映射到512维空间中是搓搓有余的，实际上可能映射到384维可能就是刚刚好的状态，LoRA就适用于这种映射维度过高的低秩矩阵，使用矩阵相乘的形式显著的降低模型参数数量，而且保持性能不变。