文章介绍了LoRA(Low-Rank Adaptation)技术，这是一种参数高效微调方法，通过低秩矩阵分解仅训练少量参数(A和B矩阵)，而保持原始模型参数不变。这种方法减少了内存消耗(约10,000倍)，提高了训练速度(如GPT-3 175B提高25%)且不引入推理延迟。文章还详细解释了LoRA的参数初始化方法及其对训练效果的影响。

在我们正式讨论参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）技术之前，我们先回顾一下如何进行全参数微调（full fine-tuning），这将有助于我们理解 Lora 被发明的动机。

Full Fine-Tuning

回顾神经网络的结构，绝大部分都是矩阵计算。考虑预训练模型中某些随机层的当前权重W 的维度是d*k，我们希望在某一个数据集上对其进行微调。

在微调过程中， 我们首先需要得到权重 W更新的变化量，即ΔW

为了简单起见，我们可以考虑ΔW作为在新数据集上运行梯度下降后获得的更新：

在推理过程中，我们可以计算输入样本x的预测值如下：

事实上，在所有模型微调迭代中，W可以保持静态，并且所有使用梯度计算的权重更新ΔW都可以合并到 W。在 LLM 中，矩阵W往往非常庞大，ΔW和 W 具有同样的尺寸，这将带来很大的内存和计算开销。因此，我们必须引入一些巧妙的技巧来操纵ΔW，这样我们即可以实现微调目标，同时确保不消耗高内存。

LoRA: Low-Rank Adaptation

LoRA 的核心思想是与基础模型（例如完整的 GPT-3）相比，训练非常少的参数 ，同时保留我们通过全模型微调所获得的性能。从数学上讲，自适应(Adaptation)是通过使用以下公式修改ΔW，从而改变Transformer层中的权重 W：

这里，W是基础模型的参数，A和 B 是可学习的参数。如上图所示，矩阵A 和 B 的维度与 W相比，尺寸要小得多西，导致可训练参数的数量显著减少。尽管这种低秩更新很简单，但它被证明在保留 LLM 的细微功能的同时，引入针对新任务或数据集所需的调整方面非常有效。

这样，如果有很多用户希望微调 LLM 模型（例如来自 OpenAI），OpenAI 只需存储上述两个矩阵A和B 。这对于引入此功能的所在层的参数来说，其尺寸非常小。然而，原始权重矩阵W 在所有微调版本中并没有被改变，即可以在所有用户之间共享的版本。

根据 LoRA 的原始论文，他们将检查点大小减少了大约 10,000 倍 ——从 350GB 减少到仅 35MB。此外，他们还观察到，与完全微调（Full Fine-Tuning）相比，GPT-3 175B 模型的训练速度提高了 25%，这是非常明显的，因为我们没有计算绝大多数参数的梯度。另一个关键优势是它不会引入推理延迟。这是因为它采用了简单的线性设计，使我们能够合并可训练矩阵（A和 B) 与固定的参数矩阵 W，因此人们可以按照与平时完全相同的方式进行推理。

LoRA 的一个很酷的点是超参数r可以比相应权重矩阵的维度小几个数量级。例如，在结果表中，比较r=1与其他等级一样：

在大多数情况下，我们注意到r=1几乎与任何其他更高级别的表现一样好。换句话说，这意味着A和B可以是一个简单的行和列矩阵。

LoRA参数初始化

LoRA矩阵初始化：简单来说，下采样矩阵A用随机高斯分布初始化，而上采样矩阵B初始化为零。此初始化确保初始矩阵ΔW在训练开始时仍然是零矩阵，因此对预训练参数没有影响。

为什么B可以初始化为全零？

如果B初始化为全零，那么在开始时

这意味着模型的权重尚未改变，因此它仍然是原始模型。随着训练的进行，B将逐渐更新，并最终学习所需的权重调整。B的梯度是：

因此，初始化B为零不会妨碍训练，因为它仍然可以接收非零梯度。

为什么不能将 A 初始化为全零？

如果A初始化为全零，则A 的梯度

将为零，因为此时B的初始化为零，所以A不会更新，此时 B 的梯度也是 0，因此 B 也不会更新。这会阻止模型通过训练学习进行有意义的调整。这篇论文The Impact of Initialization on LoRA Finetuning Dynamics对 A 和 B 两种初始化方法进行了比较实验：

• Init[A] 提供了更好的特征学习效率，但引入了一些训练不稳定性
• Init[B] 提供稳定的训练和次优的特征学习

实际实验中，训练过程中存在一些不稳定性，但可以接受，因此Init[A] 的整体表现通常更佳。

---

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

Reference

[1] Implementing LoRA From Scratch for Fine-tuning LLMs
[2] LoRA: Low-Rank Adaptation of Large Language Models
[3] Understanding LoRA-derived Techniques for Optimal LLM Fine-tuning
[4] FEFT
[5] The Impact of Initialization on LoRA Finetuning Dynamics