选择合适的优化器和学习率调度器是模型训练成功的核心，这对于参数高效微调（PEFT）也同样适用。尽管PEFT相较于完全微调能大幅减少可训练参数的数量，但更新这些低秩矩阵或适配器层的动态变化需要仔细考量优化策略，以确保稳定收敛和理想性能。PEFT工作流程中常用的优化器和调度技术在此说明，并强调平衡性能与内存效率的选择。

PEFT优化器的选择

优化器的作用是根据计算出的梯度更新可训练参数（例如，LoRA矩阵 $A$ 和 $B$ 、适配器权重）。尽管存在许多优化器，但某些选择因其经验表现和内存效率上的调整而成为PEFT的通用选择。

AdamW：可靠的通用选择

AdamW仍然是深度学习（包括PEFT）中非常流行且高效的优化器。它为每个参数单独调整学习率，引入动量（追踪过往梯度）并基于过往梯度平方进行缩放。与原始Adam优化器相比，它的独特之处在于改进了权重衰减的处理。AdamW不是将权重衰减与基于梯度的更新混合，而是在主优化步骤之后直接应用于权重，这通常能带来更好的泛化能力。

对于PEFT，AdamW提供了一个基准。其自适应特性有助于处理不同PEFT参数的敏感性。典型配置包括设置学习率、beta参数（ $\beta_1$ ， $\beta_2$ ）、epsilon（ $\epsilon$ ）和权重衰减。

学习率： 通常需要调整。PEFT有时可能容忍比完全微调稍高的学习率，但从微调常用的值（例如 $1e-4$ 、 $5e-5$ 、 $2e-5$ ）开始是一个合理的做法。
Betas： $\beta_1$ （动量衰减）通常设为0.9左右， $\beta_2$ （RMSprop衰减）通常设为0.999。这些值通常开箱即用，表现良好。
Epsilon： 一个小值（ $1e-8$ ），用于数值稳定性。
权重衰减： 一个正则化项。0.01或0.1等值是常见的起始点，但由于PEFT可训练参数较少，其影响可能不那么明显。进行调整甚至将其设为0通常是可行的。

内存高效优化器：8比特Adam

PEFT的一个重要优点是减少内存需求。AdamW等标准优化器为每个可训练参数维护内部状态（动量和方差估计），通常采用32位浮点精度。即使PEFT中的可训练参数较少，这些优化器状态仍会占用大量GPU内存，特别是在与梯度累积或大批量结合使用时。

为此，内存高效的优化器变体已得到开发。PEFT（特别是QLoRA）中使用最突出的例子是8比特Adam。此变体量化优化器状态，使用8位数据类型而非32位进行存储。这大幅减少了优化器的内存占用，通常减少近4倍。

工作原理：

优化器照常使用32位精度计算更新。
内部状态（动量、方差）被量化为8位表示，以便在步骤之间存储。这涉及分块量化等技术，以便在最重要的部分保持精度。
在下一次更新之前，8位状态被反量化回32位精度进行计算。

这种方法在大多数PEFT场景中提供了大量的内存节省，同时对收敛行为或最终模型性能的影响微乎其微。bitsandbytes等库提供了与PyTorch和Hugging Face的transformers等框架集成的实现。使用8比特Adam通常像在训练器配置期间指定不同的优化器名称或类一样简单。

优化器状态的相对内存使用量比较。8比特Adam相较于标准32比特AdamW，大幅减少了所需的内存。

其他优化器

尽管AdamW及其8比特变体普遍使用，但也可以考虑其他优化器，如Adafactor。Adafactor旨在通过分解二阶矩估计矩阵来提高内存效率，从而避免存储整个矩阵。它可以在不要求明确量化库（如bitsandbytes）的情况下提供内存节省。然而，其相对于AdamW的性能对超参数选择更敏感，特别是学习率调度。

学习率调度策略

学习率决定了参数更新时的步长。固定的学习率很少是理想的。学习率调度器在训练期间动态调整学习率，通常从较高值开始并随时间降低。这有助于实现更快的初始进展，并在训练收敛时进行更精细的调整。

PEFT常用的学习率调度

恒定学习率： 最简单的方法，在整个训练过程中使用固定的学习率。虽然易于配置，但通常导致次优结果。它对于非常短的微调运行或特定调试场景可能是可接受的。
线性衰减： 学习率在训练过程中从初始值线性下降到最终值（通常为0）。这是一种常见且有效的策略。
余弦衰减： 学习率遵循余弦曲线，从初始值下降到最小值（例如0）。此调度在训练的开始和结束时学习率下降得更慢，而在中间更快。实践中通常表现稍好于线性衰减。
热身阶段： 强烈推荐将衰减调度（线性或余弦）与初始热身阶段结合。在热身期间，学习率从非常低的值（通常为0）开始，并在指定步数（例如总训练步数的5-10%）内线性增加到其目标初始值。这种初始的平缓阶段有助于稳定训练，防止模型快速适应时早期出现可能具有破坏性的大幅更新。

学习率在10步热身阶段后，接着是100总步数内的线性或余弦衰减的变化曲线。热身后的初始学习率归一化为1。

PEFT特定的调优注意事项

超参数敏感性： 理想的初始学习率、热身持续时间和衰减策略可能很大程度上取决于具体的PEFT方法（LoRA vs. 适配器）、LoRA中的秩（r）、数据集以及基础模型。通常需要进行实验。
与批量大小的关系： 有效批量大小（全局批量大小 = 单设备批量大小 × 梯度累积步数 × 设备数量）对学习率有影响。更大的有效批量大小通常允许稍高的稳定学习率。
训练时长： PEFT微调通常比完全微调需要更少的训练步数。请确保学习率调度（尤其是衰减和热身步数）适当调整以适应总计划训练步数。

实际操作

大多数深度学习框架和库（如Hugging Face的transformers）提供了便捷的优化器和学习率调度器配置方式。使用Trainer API时，您通常在TrainingArguments中指定优化器类型（例如'adamw_torch'、'adamw_bnb_8bit'）、学习率、权重衰减以及学习率调度器类型（例如'linear'、'cosine'）和热身步数。

# Hugging Face Trainer参数使用示例
from transformers import TrainingArguments

training_args = TrainingArguments(
    output_dir="./results",
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4, # 有效批量大小 = 4 * 4 = 16
    optim="adamw_bnb_8bit",        # 使用8比特AdamW
    learning_rate=2e-4,            # 初始学习率
    lr_scheduler_type="cosine",    # 余弦衰减调度
    warmup_steps=50,               # 热身步数
    weight_decay=0.01,
    max_steps=500,                 # 总训练步数
    fp16=True,                     # 使用混合精度（PEFT常用）
    # ... 其他参数
)

选择和调整优化器和学习率调度是一个迭代过程。从既定默认值（AdamW或8比特Adam，带热身的余弦/线性衰减）开始，提供了一个强大的起始点。密切监控训练损失和验证指标，以指导调整，从而在您的PEFT设置中获得最佳性能。

这部分内容有帮助吗？

参考文献

Decoupled Weight Decay Regularization, Ilya Loshchilov and Frank Hutter, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1711.05101 - 介绍AdamW，Adam的一种变体，它将权重衰减独立于梯度更新应用，以获得更好的泛化能力。
Adafactor: Adaptive Learning Rates with Sublinear Memory Cost, Noam Shazeer and Mitchell Stern, 2018 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1804.04235 - 描述了Adafactor，一种通过因子化二阶矩估计来设计内存高效的优化器。
SGDR: Stochastic Gradient Descent with Warm Restarts, Ilya Loshchilov and Frank Hutter, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1608.03983 - 介绍余弦退火学习率调度，常与热身阶段结合以改善训练动态。