docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,168 @@
|
||||
---
|
||||
id: wiki-2026-0508-peft-parameter-efficient-fine-tu
|
||||
title: PEFT (Parameter-Efficient Fine-Tuning)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [PEFT, Parameter-Efficient Fine-Tuning, LoRA fine-tuning]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [peft, lora, qlora, fine-tuning, llm]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: peft, transformers, bitsandbytes
|
||||
---
|
||||
|
||||
# PEFT (Parameter-Efficient Fine-Tuning)
|
||||
|
||||
## 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.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 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.
|
||||
|
||||
### 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.
|
||||
|
||||
### 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.
|
||||
|
||||
### 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).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### LoRA with peft library
|
||||
```python
|
||||
from peft import LoraConfig, get_peft_model, TaskType
|
||||
from transformers import AutoModelForCausalLM
|
||||
|
||||
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
|
||||
```
|
||||
|
||||
### QLoRA (4-bit base + LoRA)
|
||||
```python
|
||||
from transformers import BitsAndBytesConfig
|
||||
import torch
|
||||
|
||||
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
|
||||
```
|
||||
|
||||
### Save / load adapter only
|
||||
```python
|
||||
model.save_pretrained("./my-lora") # ~50MB, not 140GB
|
||||
|
||||
from peft import PeftModel
|
||||
loaded = PeftModel.from_pretrained(base, "./my-lora")
|
||||
```
|
||||
|
||||
### Merge for inference
|
||||
```python
|
||||
merged = model.merge_and_unload() # W ← W + αBA/r
|
||||
merged.save_pretrained("./merged-model") # standard HF model, no peft dep
|
||||
```
|
||||
|
||||
### 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]]
|
||||
- 변형: [[LoRA]] · [[QLoRA]] · [[DoRA]]
|
||||
- 응용: [[Fine-tuning|Instruction-Tuning]] · [[Domain-Adaptation]]
|
||||
- Adjacent: [[LLM_Optimization_and_Deployment_Strategies|Quantization]] · [[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