[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,94 +1,168 @@
|
||||
---
|
||||
id: wiki-2026-0508-peft-parameter-efficient-fine-tu
|
||||
title: PEFT (Parameter Efficient Fine Tuning)
|
||||
title: PEFT (Parameter-Efficient Fine-Tuning)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-PEFT-001]
|
||||
aliases: [PEFT, Parameter-Efficient Fine-Tuning, LoRA fine-tuning]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, llm, Fine-tuning, Efficiency, adapters]
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [peft, lora, qlora, fine-tuning, llm]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: peft, transformers, bitsandbytes
|
||||
---
|
||||
|
||||
# [[PEFT ([[Parameter]]-Efficient Fine-Tuning)]]
|
||||
# PEFT (Parameter-Efficient Fine-Tuning)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전봇대를 다 바꾸는 대신 전구만 바꾼다: 거대 모델의 전체 파라미터를 건드리지 않고, 극히 일부(1% 미만)만 학습시켜 하드웨어 부담 없이 전문 지식을 주입하는 효율 극대화 기술."
|
||||
## 매 한 줄
|
||||
> **"매 frozen base + tiny trainable delta"**. 매 full fine-tuning 의 ~0.1-1% parameter 만 학습. 2026 standard: LoRA / QLoRA — 매 70B model 도 single 24GB GPU 에서 fine-tune 가능. HuggingFace `peft` library 의 사실상 표준.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
매개변수 효율적 미세 조정(PEFT)은 거대 언어 모델(LLM)을 특정 작업에 맞춰 최적화할 때, 전체 가중치를 업데이트하는 대신 소량의 추가 파라미터만 학습시키는 방법론입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **주요 기법**:
|
||||
* **[[LoRA (Low-Rank Adaptation)]]**: 가중치 행렬의 변화량을 낮은 차원의 두 행렬(A, B)로 분해하여 학습. 가장 대중적인 기법으로 연산량과 메모리를 획기적으로 절감.
|
||||
* **Adapters**: 기존 모델 레이어 사이에 작은 신경망(Adapter)을 끼워 넣어 해당 부분만 학습.
|
||||
* **[[prompt]] Tuning / Prefix Tuning**: 모델 입력 앞단에 학습 가능한 가상의 '소프트 프롬프트' 벡터를 추가하여 튜닝.
|
||||
2. **핵심 이점**:
|
||||
* **GPU 메모리 절약**: 하이엔드 서버 없이도 소비자용 GPU에서 거대 모델 튜닝 가능.
|
||||
* **파라미터 사일로 방지**: 각 작업마다 거대 모델을 통째로 저장할 필요 없이, 작은 PEFT 모듈(체크포인트)만 저장하여 교체하며 사용 가능.
|
||||
* **Catastrophic Forgetting 방지**: 원본 가중치가 고정되므로 모델의 기반 지식이 무너지지 않음.
|
||||
### 매 동기
|
||||
- Full FT: 70B model = 280GB (fp32) gradient + optimizer state → multi-A100 cluster 필요.
|
||||
- Storage: 매 task 마다 full checkpoint 저장 시 비용 폭발.
|
||||
- Catastrophic forgetting: 매 full FT 가 base capability 손상.
|
||||
- PEFT: 매 base frozen, delta 만 학습 → 1 base + N tiny adapters.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 초기에는 "일부만 학습하면 성능이 떨어질 것"이라는 우려가 있었으나, 연구 결과 전체 튜닝(Full Fine-tuning)과 대등하거나 오히려 특정 작업에서는 과적합을 막아 더 나은 성능을 냄이 증명됨.
|
||||
- **정책 변화(RL Update)**: 기업 보안 정책 상 '클라우드 API'를 쓰기 힘든 환경에서, 사내 데이터로 로컬 모델을 안전하고 저비용으로 튜닝하는 'On-premise PEFT'가 데이터 거버넌스의 핵심 전략으로 부상함.
|
||||
### 매 family
|
||||
- **LoRA** (Hu et al. 2021): low-rank decomposition `ΔW = BA`, rank r=4-64.
|
||||
- **QLoRA** (Dettmers et al. 2023): 4-bit NF4 quantized base + LoRA adapters.
|
||||
- **Prefix Tuning** (Li & Liang 2021): learnable prefix tokens prepended to keys/values.
|
||||
- **Prompt Tuning** (Lester et al. 2021): learnable soft prompts at input.
|
||||
- **IA³** (Liu et al. 2022): scale activations via learned vectors (multiply, not add).
|
||||
- **Adapters** (Houlsby et al. 2019): small bottleneck MLPs inserted between layers.
|
||||
- **DoRA** (2024): magnitude + direction decomposition, LoRA 보다 우수.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[SFT (Supervised Fine-Tuning)]], Foundational Models, [[Transfer Learning]], [[Large Language Models (LLM)]]
|
||||
- **Modern Tech/Tools**: HuggingFace PEFT library, LoRA, QLoRA.
|
||||
---
|
||||
### 매 LoRA 수학
|
||||
- `W' = W + αBA/r` where `B ∈ R^{d×r}`, `A ∈ R^{r×k}`, r ≪ min(d,k).
|
||||
- Trainable: `2dr` params instead of `dk`. 매 d=k=4096, r=8 → 65k vs 16M (250× 감소).
|
||||
- Inference: 매 merge `W ← W + αBA/r` → zero overhead.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Domain adaptation (legal, medical LLM).
|
||||
2. Instruction tuning (Alpaca-style).
|
||||
3. Style transfer (FLUX LoRA for art style).
|
||||
4. Multi-tenant serving (1 base + N customer LoRAs).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### LoRA with peft library
|
||||
```python
|
||||
from peft import LoraConfig, get_peft_model, TaskType
|
||||
from transformers import AutoModelForCausalLM
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
base = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.1-8B")
|
||||
config = LoraConfig(
|
||||
task_type=TaskType.CAUSAL_LM,
|
||||
r=16, lora_alpha=32, lora_dropout=0.05,
|
||||
target_modules=["q_proj", "k_proj", "v_proj", "o_proj"],
|
||||
)
|
||||
model = get_peft_model(base, config)
|
||||
model.print_trainable_parameters() # ~0.5% trainable
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### QLoRA (4-bit base + LoRA)
|
||||
```python
|
||||
from transformers import BitsAndBytesConfig
|
||||
import torch
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
bnb = BitsAndBytesConfig(
|
||||
load_in_4bit=True,
|
||||
bnb_4bit_quant_type="nf4",
|
||||
bnb_4bit_compute_dtype=torch.bfloat16,
|
||||
bnb_4bit_use_double_quant=True,
|
||||
)
|
||||
base = AutoModelForCausalLM.from_pretrained(
|
||||
"meta-llama/Llama-3.1-70B", quantization_config=bnb, device_map="auto",
|
||||
)
|
||||
model = get_peft_model(base, lora_config) # 70B on single 48GB GPU
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Save / load adapter only
|
||||
```python
|
||||
model.save_pretrained("./my-lora") # ~50MB, not 140GB
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
from peft import PeftModel
|
||||
loaded = PeftModel.from_pretrained(base, "./my-lora")
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Merge for inference
|
||||
```python
|
||||
merged = model.merge_and_unload() # W ← W + αBA/r
|
||||
merged.save_pretrained("./merged-model") # standard HF model, no peft dep
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Multi-LoRA serving (vLLM)
|
||||
```python
|
||||
# vLLM 0.6+ supports dynamic LoRA loading
|
||||
from vllm import LLM, SamplingParams
|
||||
from vllm.lora.request import LoRARequest
|
||||
|
||||
llm = LLM(model="meta-llama/Llama-3.1-8B", enable_lora=True, max_loras=8)
|
||||
out = llm.generate(prompts, sampling_params,
|
||||
lora_request=LoRARequest("customer-42", 1, "./customer-42-lora"))
|
||||
```
|
||||
|
||||
### DoRA (2024)
|
||||
```python
|
||||
config = LoraConfig(r=16, lora_alpha=32, use_dora=True, # peft >= 0.10
|
||||
target_modules=["q_proj", "v_proj"])
|
||||
```
|
||||
|
||||
### Prompt tuning
|
||||
```python
|
||||
from peft import PromptTuningConfig, PromptTuningInit
|
||||
config = PromptTuningConfig(
|
||||
task_type=TaskType.CAUSAL_LM,
|
||||
prompt_tuning_init=PromptTuningInit.TEXT,
|
||||
num_virtual_tokens=20,
|
||||
prompt_tuning_init_text="Classify sentiment:",
|
||||
tokenizer_name_or_path="meta-llama/Llama-3.1-8B",
|
||||
)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 1 GPU, large base (70B) | QLoRA |
|
||||
| Multi-task, single base | LoRA + multi-adapter serving |
|
||||
| Tiny VRAM, frozen base OK | Prompt tuning |
|
||||
| Best quality, less compute saving | DoRA |
|
||||
| Diffusion model style | LoRA (rank 4-32) |
|
||||
| Production accuracy critical | Full FT (if 가능) |
|
||||
|
||||
**기본값**: QLoRA (4-bit NF4 + r=16 LoRA on q/k/v/o projections).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Fine-Tuning]] · [[Transfer-Learning]]
|
||||
- 변형: [[LoRA]] · [[QLoRA]] · [[DoRA]] · [[Prefix-Tuning]] · [[Prompt-Tuning]]
|
||||
- 응용: [[Instruction-Tuning]] · [[Domain-Adaptation]] · [[FLUX-LoRA]]
|
||||
- Adjacent: [[Quantization]] · [[Adapters]] · [[RLHF]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 single GPU 에서 large model fine-tune, multi-tenant LoRA serving, rapid task iteration.
|
||||
**언제 X**: 매 base model 의 fundamental capability 변경 필요 (continued pretraining → full FT or full pretraining).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Rank too low**: r=1-2 → underfitting. 매 r=8-32 starting point.
|
||||
- **Wrong target modules**: only `q_proj`/`v_proj` skip → degraded. 매 all attention + MLP modules 가 best.
|
||||
- **Forgetting alpha**: 매 alpha=2r convention 무시 → unstable training.
|
||||
- **Saving full model**: `model.save_pretrained()` on PeftModel 만 saves adapter. Don't merge unnecessarily.
|
||||
- **QLoRA + bf16 base**: 매 NF4 quantization 의 redundant. 매 fp16 or bf16 base 둘 중 하나.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (HuggingFace `peft` docs, Hu et al. 2021 LoRA, Dettmers et al. 2023 QLoRA).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — PEFT family, LoRA/QLoRA patterns, decision matrix |
|
||||
|
||||
Reference in New Issue
Block a user