Hermes Agent Wiki 非公式・日本語wiki
この skill をそのまま使う: GitHub で原文を見る

英語原文・frontmatter 込みで、Hermes が読み込む実体そのままです(このページの本文は日本語版)。

Peft

目次

限られた GPU メモリで、大きな LLM を LoRA でファインチューニングします。

skill の情報

提供元 追加インストール — hermes skills install official/mlops/peft で導入します
パス optional-skills/mlops/peft
バージョン 1.0.0
作者 Orchestra Research
ライセンス MIT
依存関係 peft>=0.13.0, transformers>=4.45.0, torch>=2.0.0, bitsandbytes>=0.43.0
対応プラットフォーム linux, macos, windows
タグ Fine-Tuning, PEFT, LoRA, QLoRA, Parameter-Efficient, Adapters, Low-Rank, Memory Optimization, Multi-Adapter

参考: SKILL.md 全文

PEFT(パラメータ効率のよいファインチューニング)

LoRA、QLoRA をはじめ 25 種類以上のアダプタ手法を使い、パラメータの <1% だけを学習して LLM を調整します。

PEFT を使う場面

次のようなときに PEFT/LoRA を使います:

  • 7B〜70B のモデルを、手に入りやすい GPU(RTX 4090、A100)で調整したい
  • 学習するパラメータを <1% に抑えたい(14GB のモデル全体に対しアダプタは 6MB)
  • タスクごとのアダプタをいくつも作り、素早く試したい
  • 1 つのベースモデルから、調整済みの派生をいくつも動かしたい

次のようなときに QLoRA(PEFT + 量子化)を使います:

  • 70B のモデルを 24GB の GPU 1 枚で調整したい
  • メモリが最大の制約になっている
  • 全体を調整する場合に比べ、品質が 5% ほど落ちても許容できる

次の場合は全体のファインチューニングを選びます:

  • 小さいモデル(<1B パラメータ)を学習するとき
  • 品質を最優先でき、計算資源にも余裕があるとき
  • 分野が大きく変わり、すべての重みを更新する必要があるとき

すぐ試す

導入

# Basic installation
pip install peft

# With quantization support (recommended)
pip install peft bitsandbytes

# Full stack
pip install peft transformers accelerate bitsandbytes datasets

LoRA でのファインチューニング(標準)

from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import get_peft_model, LoraConfig, TaskType
from datasets import load_dataset

# Load base model
model_name = "meta-llama/Llama-3.1-8B"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token

# LoRA configuration
lora_config = LoraConfig(
    task_type=TaskType.CAUSAL_LM,
    r=16,                          # Rank (8-64, higher = more capacity)
    lora_alpha=32,                 # Scaling factor (typically 2*r)
    lora_dropout=0.05,             # Dropout for regularization
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],  # Attention layers
    bias="none"                    # Don't train biases
)

# Apply LoRA
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# Output: trainable params: 13,631,488 || all params: 8,043,307,008 || trainable%: 0.17%

# Prepare dataset
dataset = load_dataset("databricks/databricks-dolly-15k", split="train")

def tokenize(example):
    text = f"### Instruction:\n{example['instruction']}\n\n### Response:\n{example['response']}"
    return tokenizer(text, truncation=True, max_length=512, padding="max_length")

tokenized = dataset.map(tokenize, remove_columns=dataset.column_names)

# Training
training_args = TrainingArguments(
    output_dir="./lora-llama",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    learning_rate=2e-4,
    fp16=True,
    logging_steps=10,
    save_strategy="epoch"
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized,
    data_collator=lambda data: {"input_ids": torch.stack([f["input_ids"] for f in data]),
                                 "attention_mask": torch.stack([f["attention_mask"] for f in data]),
                                 "labels": torch.stack([f["input_ids"] for f in data])}
)

trainer.train()

# Save adapter only (6MB vs 16GB)
model.save_pretrained("./lora-llama-adapter")

QLoRA でのファインチューニング(メモリを節約)

from transformers import AutoModelForCausalLM, BitsAndBytesConfig
from peft import get_peft_model, LoraConfig, prepare_model_for_kbit_training

# 4-bit quantization config
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",           # NormalFloat4 (best for LLMs)
    bnb_4bit_compute_dtype="bfloat16",   # Compute in bf16
    bnb_4bit_use_double_quant=True       # Nested quantization
)

# Load quantized model
model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-70B",
    quantization_config=bnb_config,
    device_map="auto"
)

# Prepare for training (enables gradient checkpointing)
model = prepare_model_for_kbit_training(model)

# LoRA config for QLoRA
lora_config = LoraConfig(
    r=64,                              # Higher rank for 70B
    lora_alpha=128,
    lora_dropout=0.1,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    bias="none",
    task_type="CAUSAL_LM"
)

model = get_peft_model(model, lora_config)
# 70B model now fits on single 24GB GPU!

LoRA のパラメータの決め方

ランク(r) — 表現力と効率のバランス

ランク 学習するパラメータ メモリ 品質 使いどころ
4 約 300 万 ごくわずか 低め 単純なタスク、試作
8 約 700 万 少ない 良好 最初に試す値
16 約 1,400 万 中くらい より良い 一般的なファインチューニング
32 約 2,700 万 多め 高い 複雑なタスク
64 約 5,400 万 多い 最も高い 分野への適応、70B のモデル

アルファ(lora_alpha) — 倍率

# Rule of thumb: alpha = 2 * rank
LoraConfig(r=16, lora_alpha=32)  # Standard
LoraConfig(r=16, lora_alpha=16)  # Conservative (lower learning rate effect)
LoraConfig(r=16, lora_alpha=64)  # Aggressive (higher learning rate effect)

アーキテクチャ別の対象モジュール

# Llama / Mistral / Qwen
target_modules = ["q_proj", "v_proj", "k_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]

# GPT-2 / GPT-Neo
target_modules = ["c_attn", "c_proj", "c_fc"]

# Falcon
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# BLOOM
target_modules = ["query_key_value", "dense", "dense_h_to_4h", "dense_4h_to_h"]

# Auto-detect all linear layers
target_modules = "all-linear"  # PEFT 0.6.0+

アダプタの読み込みと統合

学習したアダプタを読み込む

from peft import PeftModel, AutoPeftModelForCausalLM
from transformers import AutoModelForCausalLM

# Option 1: Load with PeftModel
base_model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.1-8B")
model = PeftModel.from_pretrained(base_model, "./lora-llama-adapter")

# Option 2: Load directly (recommended)
model = AutoPeftModelForCausalLM.from_pretrained(
    "./lora-llama-adapter",
    device_map="auto"
)

アダプタをベースモデルに統合する

# Merge for deployment (no adapter overhead)
merged_model = model.merge_and_unload()

# Save merged model
merged_model.save_pretrained("./llama-merged")
tokenizer.save_pretrained("./llama-merged")

# Push to Hub
merged_model.push_to_hub("username/llama-finetuned")

複数アダプタでの提供

from peft import PeftModel

# Load base with first adapter
model = AutoPeftModelForCausalLM.from_pretrained("./adapter-task1")

# Load additional adapters
model.load_adapter("./adapter-task2", adapter_name="task2")
model.load_adapter("./adapter-task3", adapter_name="task3")

# Switch between adapters at runtime
model.set_adapter("task1")  # Use task1 adapter
output1 = model.generate(**inputs)

model.set_adapter("task2")  # Switch to task2
output2 = model.generate(**inputs)

# Disable adapters (use base model)
with model.disable_adapter():
    base_output = model.generate(**inputs)

PEFT の手法の比較

手法 学習する割合 メモリ 速度 向いている場面
LoRA 0.1-1% 少ない 速い 一般的なファインチューニング
QLoRA 0.1-1% とても少ない 中くらい メモリが厳しいとき
AdaLoRA 0.1-1% 少ない 中くらい ランクの自動選択
IA3 0.01% ごくわずか 最も速い 少数例での適応
Prefix Tuning 0.1% 少ない 中くらい 生成のふるまいの制御
Prompt Tuning 0.001% ごくわずか 速い 単純なタスクへの適応
P-Tuning v2 0.1% 少ない 中くらい 自然言語理解のタスク

IA3(パラメータを最小限に)

from peft import IA3Config

ia3_config = IA3Config(
    target_modules=["q_proj", "v_proj", "k_proj", "down_proj"],
    feedforward_modules=["down_proj"]
)
model = get_peft_model(model, ia3_config)
# Trains only 0.01% of parameters!

Prefix Tuning

from peft import PrefixTuningConfig

prefix_config = PrefixTuningConfig(
    task_type="CAUSAL_LM",
    num_virtual_tokens=20,      # Prepended tokens
    prefix_projection=True       # Use MLP projection
)
model = get_peft_model(model, prefix_config)

他ツールとの組み合わせ

TRL(SFTTrainer)と組み合わせる

from trl import SFTTrainer, SFTConfig
from peft import LoraConfig

lora_config = LoraConfig(r=16, lora_alpha=32, target_modules="all-linear")

trainer = SFTTrainer(
    model=model,
    args=SFTConfig(output_dir="./output", max_seq_length=512),
    train_dataset=dataset,
    peft_config=lora_config,  # Pass LoRA config directly
)
trainer.train()

Axolotl(YAML 設定)と組み合わせる

# axolotl config.yaml
adapter: lora
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules:
  - q_proj
  - v_proj
  - k_proj
  - o_proj
lora_target_linear: true  # Target all linear layers

vLLM(推論)と組み合わせる

from vllm import LLM
from vllm.lora.request import LoRARequest

# Load base model with LoRA support
llm = LLM(model="meta-llama/Llama-3.1-8B", enable_lora=True)

# Serve with adapter
outputs = llm.generate(
    prompts,
    lora_request=LoRARequest("adapter1", 1, "./lora-adapter")
)

性能の実測値

メモリ使用量(Llama 3.1 8B)

手法 GPU メモリ 学習するパラメータ
全体のファインチューニング 60 GB 以上 8B(100%)
LoRA r=16 18 GB 1,400 万(0.17%)
QLoRA r=16 6 GB 1,400 万(0.17%)
IA3 16 GB 80 万(0.01%)

学習速度(A100 80GB)

手法 1 秒あたりのトークン数 全体調整との比
全体の調整 2,500 1x
LoRA 3,200 1.3x
QLoRA 2,100 0.84x

品質(MMLU ベンチマーク)

モデル 全体の調整 LoRA QLoRA
Llama 2-7B 45.3 44.8 44.1
Llama 2-13B 54.8 54.2 53.5

よくある問題

学習中の CUDA メモリ不足

# Solution 1: Enable gradient checkpointing
model.gradient_checkpointing_enable()

# Solution 2: Reduce batch size + increase accumulation
TrainingArguments(
    per_device_train_batch_size=1,
    gradient_accumulation_steps=16
)

# Solution 3: Use QLoRA
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4")

アダプタが効いていない

# Verify adapter is active
print(model.active_adapters)  # Should show adapter name

# Check trainable parameters
model.print_trainable_parameters()

# Ensure model in training mode
model.train()

品質が落ちる

# Increase rank
LoraConfig(r=32, lora_alpha=64)

# Target more modules
target_modules = "all-linear"

# Use more training data and epochs
TrainingArguments(num_train_epochs=5)

# Lower learning rate
TrainingArguments(learning_rate=1e-4)

うまくやるこつ

  1. まずは r=8〜16 から始めて、品質が足りなければ上げます
  2. 出発点として alpha = ランク × 2 を使います
  3. 品質と効率のバランスを取るなら、attention 層と MLP 層を対象にします
  4. メモリを節約するため、gradient checkpointing を有効にします
  5. アダプタはこまめに保存します(小さいファイルなので、戻すのも簡単です)
  6. 統合する前に、学習に使っていないデータで評価します
  7. 手元のハードウェアで 70B 以上を扱うなら、QLoRA を使います

参考資料

関連情報

  • GitHub: https://github.com/huggingface/peft
  • ドキュメント: https://huggingface.co/docs/peft
  • LoRA の論文: arXiv:2106.09685
  • QLoRA の論文: arXiv:2305.14314
  • モデル: https://huggingface.co/models?library=peft