LoRA 微调教程
LoRA 微调是什么？
LORA（Low-Rank Adaptation）是一种针对大型预训练模型的微调技术。它不改变原始模型大部分参数，而是调整模型的部分权重，以此实现对特定任务的优化。
本文的 LoRA 微调方法来自 RWKV 社区微调项目 RWKV-PEFT 。
在开始 LoRA 微调之前，请确保你拥有一个 Linux 工作区，以及支持 CUDA 的 NVIDIA 显卡。
视频教程
高画质视频请跳转到 B 站观看。
LoRA 显存参考
RWKV LoRA 微调的显存（GPU VRAM）需求可参考下表：
| 模型参数 | bf16 | int8 | nf4 |
|---|---|---|---|
| RWKV7-0.1B | 2.7GB GPU | 2.5GB GPU | 2.4GB GPU |
| RWKV7-0.4B | 3.4GB GPU | 2.9GB GPU | 2.7GB GPU |
| RWKV7-1.5B | 5.6GB GPU | 4.6GB GPU | 3.9GB GPU |
| RWKV7-2.9B | 8.8GB GPU | 6.7GB GPU | 5.7GB GPU |
| 模型参数 | bf16 | int8 | nf4 |
|---|---|---|---|
| RWKV6-1.6B | 7.3GB GPU | 5.9GB GPU | 5.4GB GPU |
| RWKV6-3B | 11.8GB GPU | 9.4GB GPU | 8.1GB GPU |
| RWKV6-7B | 23.7GB GPU | 17.3GB GPU | 14.9GB GPU |
上表的数据基于以下训练参数：
- ctxlen=1024
- micro_bsz=1
- strategy=deepspeed_stage_1
- peft_config='{"r":64,"lora_alpha":32,"lora_dropout":0.05}'
随着训练参数的变更，RWKV LoRA 微调所需显存会发生改变。
收集训练数据
你需要使用收集更适合训练 RWKV 的 binidx 数据，具体方法可参考准备微调数据集。
配置训练环境
要训练 RWKV 模型，首先要配置 conda 等训练环境。具体过程请参考RWKV 微调环境配置板块。
克隆仓库并安装依赖
在 Linux 或 WSL 中，使用 git 命令克隆 RWKV-PEFT 仓库：
git clone https://github.com/JL-er/RWKV-PEFT.git
# 如果 GitHub 无法链接，请使用以下国内仓库：
git clone https://gitee.com/rwkv-vibe/RWKV-PEFT.git克隆完成后，使用 cd RWKV-PEFT 命令进入 RWKV-PEFT 目录。并运行以下命令，安装项目所需依赖：
pip install -r requirements.txt修改训练参数
使用任意文本编辑器（如 vscode）打开 RWKV-PEFT/scripts 目录下的 run_lora.sh 文件，可以修改训练参数，进而控制微调的训练过程和训练效果：
以下是一次 LoRA 微调的调参过程：
调整路径参数
run_lora.sh 文件前三行是文件路径参数：
- load_model： 基底 RWKV 模型的路径
- proj_dir：训练日志和训练得到的 LoRA 文件输出路径
- data_file：训练数据集的路径，注意路径中不需要带 bin 和 idx 后缀，仅需文件名称。
调整 n_layer 和 n_embd 参数
不同参数的 RWKV 模型，训练时使用的 n_layer 和 n_embd 数值不一样
以下 RWKV 模型参数对应的 n_layer/n_embd 值：
| 模型参数 | n_layer | n_embd |
|---|---|---|
| 0.1B | 12 | 768 |
| 0.4B | 24 | 1024 |
| 1.5B | 24 | 2048 |
| 3B | 32 | 2560 |
| 7B | 32 | 4096 |
| 14B | 61 | 4096 |
调整重要训练参数
| 参数 | 描述 |
|---|---|
micro_bsz=1 | 微批次大小，根据显存大小调整，微调时从 1 开始逐渐增大 |
epoch_save=5 | 每隔多少个训练轮次保存一次 LoRA 文件，注意存储空间是否充足 |
epoch_steps=1000 | 每个训练轮次的步数，增加会拉长单个 epoch 的训练时间 |
ctx_len=512 | 微调模型的上下文长度，建议根据语料长度修改 |
--my_testing "x070" | 训练的 RWKV 模型版本，v7 选 x070，v6 选 x060 ，v5 选 x052（已淘汰，不推荐） |
调整 LoRA 相关参数
peft_config 包含 LoRA 微调的参数，效果参考下表：
| 参数 | 描述 |
|---|---|
| "r":32 | LoRA 微调的 rank 参数，值越大效果越好，但训练速度越慢/显存需求越高，一般训练使用 32 或者 64 即可 |
| "lora_alpha":32 | LoRA 微调的 alpha 参数（缩放因子），建议保持 lora_r 的两倍 |
| "lora_dropout":0.01 | LoRA 微调的丢弃率，建议使用 0.01 |
调整其他训练参数
下面列出了脚本中其他可修改的训练参数，及其修改的效果。
| 参数 | 描述 |
|---|---|
--vocab_size 65536 | 词表大小，默认为 65536，设置为 0 表示模型自动确定词汇表大小 |
--data_type binidx | 训练语料的文件格式，支持：utf-8, utf-16le, numpy, binidx, dummy, uint16, sft, jsonl，建议使用 jsonl 或 binidx 格式 |
--epoch_count 5 | 总训练轮次 |
--lr_init 2e-5 | 初始学习率，DiSHA 建议 2e-5 ，最大不超过 1e-4 |
--lr_final 2e-5 | 最终学习率，建议和初始学习率保持一致 |
--accelerator gpu | 使用的加速器类型，目前主要支持 gpu，cpu 基本不支持训练 |
--devices 1 | 显卡数量，单显卡填 1，多卡按实际数量填写 |
--precision bf16 | 训练精度，建议保持默认值 bf16，支持：fp32、tf32、fp16、bf16 |
--strategy deepspeed_stage_1 | lightning 训练策略参数，微调推荐使用 deepspeed_stage_1，设备显存太小可将 1 改成 2 |
--grad_cp 1 | 梯度累积步数，0 训练更快但需更多显存，1 训练较慢但节省显存 |
--peft lora | 微调训练类型，LoRA 微调填 lora 即可 |
--op | 选择算子，支持 cuda、fla、triton，默认设置为 cuda |
--wandb RWKV-PEFT-DiSHA | 可选，是否使用 wandb 可视化记录训练日志，需提前配置 wandb 账号 |
--lr_schedule wsd | 可选，学习率调度方法，默认使用 cos_decay，支持：cos_decay, wsd |
参数调整完成后，请记得保存 run_lora.sh 文件。
附录：run_lora.sh 配置参考
load_model="/home/rwkv/model/rwkv7-g1-1.5b-20250429-ctx4096.pth"
proj_dir='/home/rwkv/JL/out_model/test'
data_file=/home/rwkv/JL/data/roleplay
n_layer=24
n_embd=2048
micro_bsz=8
epoch_save=1
epoch_steps=200
ctx_len=128
peft_config='{"r":8,"lora_alpha":32,"lora_dropout":0.05}'
python train.py --load_model $load_model \
--proj_dir $proj_dir --data_file $data_file \
--vocab_size 65536 \
--data_type jsonl \
--n_layer $n_layer --n_embd $n_embd \
--ctx_len $ctx_len --micro_bsz $micro_bsz \
--epoch_steps $epoch_steps --epoch_count 4 --epoch_save $epoch_save \
--lr_init 1e-5 --lr_final 1e-5 \
--accelerator gpu --precision bf16 \
--devices 1 --strategy deepspeed_stage_1 --grad_cp 1 \
--my_testing "x070" \
--peft lora --peft_config $peft_config
# 以下是可选项
# --op cuda/fla/triton （选择不同的算子，不加此参数则默认使用 cuda）
# --wandb RWKV-PEFT-DiSHA （是否使用 wandb 监控训练过程）
# --lr_schedule wsd 是否启用余弦退火优化学习率，默认的 lr_schedule = cos_decay
开始训练
在 RWKV-PEFT 目录，运行 sh scripts/lora.sh 命令，开启 LoRA 微调 。
正常开始训练后，应当是如下画面：
如何使用 LoRA 权重文件
训练完毕后，可以在输出路径中找到完整的 LoRA 微调模型文件（.pth 格式）和训练日志（.txt 文件）:
合并后的 LoRA 微调模型可以在 RWKV Runner 或者 Ai00 中正常使用。将微调模型放到 RWKV Runner 的 models 文件夹，然后新建配置，选择微调模型即可。
更多详细用法请参考 RWKV Runner 教程 和 Ai00 教程。
详细用法请参考 RWKV Runner 教程 和 Ai00 教程。
这份文档对您有帮助吗？