来自：小互
DoRA（权重分解低秩适应）：一种新颖的模型微调方法
DoRA在LoRA的基础上进一步发展，通过将预训练权重分解为“幅度”和“方向”两个部分进行微调。
这种权重分解方法允许DoRA更精细地控制模型的学习过程，分别针对权重的大小和方向进行优化。
相比LoRA，它提供了一种更精细、更全面的微调策略。
模型微调的挑战
当我们有一个已经训练好的AI模型时，如果想让它适应一些新的任务，我们通常会进行所谓的“微调”，即对模型进行一些小的调整。这就像是给模型上一堂速成课，让它快速学习新技能。但问题是，随着模型变得越来越大，这种“速成课”的成本也越来越高，不仅需要大量的计算资源，还可能使模型变得笨重，影响其运行速度。
DoRA（权重分解低秩适应）和LoRA（低秩适应）都是针对预训练模型进行微调的方法，旨在提高模型针对特定任务的性能，同时尽量减少计算成本和资源需求。尽管两者都旨在实现参数高效的微调，但它们在方法和优势上有所不同。
LoRA的基本原理：
LoRA通过在模型的权重更新中引入低秩矩阵，来实现对模型的高效微调。具体来说，它通过使用两个较小的矩阵的乘积来近似权重的更新，从而减少了需要训练的参数数量。这种方法不改变原始模型的架构，因此不会增加额外的推理负担。
DoRA的创新之处：
DoRA在LoRA的基础上进一步发展，通过将预训练权重分解为“幅度”和“方向”两个部分进行微调。这种权重分解方法允许DoRA更精细地控制模型的学习过程，分别针对权重的大小和方向进行优化。在调整方向部分时，DoRA利用了LoRA的策略，通过低秩适应来有效地更新方向，而幅度部分则单独进行调整。
通俗解释就是：DoRA通过一种聪明的方法来解决这个问题。它将模型的“知识”（即模型中的权重）分解成两个部分：一部分负责“方向”（即模型应该如何调整其判断），另一部分负责“幅度”（即这种调整有多大）。通过这种分解，DoRA可以更精细地调整模型，就像是给模型提供了一个更加个性化的“速成课”。
低秩适应的聪明之处
在调整“方向”部分时，DoRA使用了一种名为LoRA的技术，这种技术只需调整很少量的数据就能实现有效的微调。这就好比是在教模型新技能时，只需给模型一些关键的提示而不是让它重新学习一遍所有的内容。
DoRA相对于LoRA的优势：
1、更细致的控制：通过分别针对权重的幅度和方向进行调整，DoRA提供了对模型微调过程更细致的控制，从而能够更准确地适应特定的任务需求。
2、增强的学习能力：DoRA的权重分解策略增强了模型在微调过程中的学习能力，使其在多种下游任务上的性能更接近于全参数微调的方法。
3、保持高效性：尽管DoRA在微调策略上进行了创新，但它仍然保持了LoRA的高效性，避免增加额外的推理负担。
4、提高训练稳定性：DoRA通过分解权重并专门针对方向使用低秩适应，提高了训练过程的稳定性，有助于避免过拟合和其他训练问题。
举例解释DoRA和LoRA的区别：
要理解DoRA在LoRA基础上的进一步发展和其权重分解方法，我们可以用一个简化的类比来帮助说明：
想象你有一辆车（代表预训练的AI模型），现在你的目标是让这辆车能够在一个新的赛道上（特定任务）尽可能好地运行。为了达到这个目标，你需要对车进行调整。在这个例子中，车的“方向”代表模型做决策的方向或方式，而“幅度”则代表这些决策的强度或信心。
LoRA的方法：
如果仅使用LoRA，这就像是你只能调整方向盘的灵敏度（方向），来使车更好地适应赛道。这种方法有效，但可能不足以让车在所有情况下都表现最佳，因为你没有考虑到其他因素，比如加速的力度。
DoRA的创新：
在DoRA中，你不仅调整方向盘的灵敏度，还可以调整油门的敏感度（幅度）。这样，你就可以更细致地控制车的行驶，既能确保它沿着正确的路径前进，又能控制它的速度，以应对不同的路况。
方向调整：通过LoRA进行低秩适应，相当于调整方向盘的灵敏度，让AI模型在做出决策时能更精确地指向正确的方向。
幅度调整：独立进行的幅度调整，就像是根据赛道的不同部分调整油门的敏感度，让模型对它的决策有适当的信心。
通过这种方法，DoRA能够更全面地对模型进行微调，既考虑到了决策的方向，又优化了这些决策的强度。这使得DoRA在特定任务上的性能更接近于全参数微调方法，而且相比LoRA，它提供了一种更精细、更全面的微调策略。简而言之，DoRA通过在LoRA的基础上增加幅度的调整，使模型的微调更加细致和有效。
