LoRA(Low-Rank Adaptation)

8 minute read

LoRA(Low-Rank Adaptation)는 LLM을 효율적으로 Fine-Tuning하기 위한 방법 중 하나입니다.

마이크로소프트 연구팀이 2021년에 발표한 논문 “LoRA: Low-Rank Adaptation of Large Language Models”에서 처음 소개되었습니다.

이번 Post에서는 LoRA의 핵심 Idea와 동작 방식, 장점을 자세히 설명해 드리겠습니다.

1. LoRA의 배경Permalink

OpenAI의 GPT, LLaMa 2, Claude 등과 같은 기반 Model 및 LLM은 텍스트 생성부터 언어 이해에 이르기까지 다양한 애플리케이션 분야에서 혁신적인 발전을 이루었습니다.

이러한 Model들은 방대한 양의 Parameter를 활용하여 탁월한 성능을 보여줍니다. 예를 들어, GPT-3는 1,750억 개의 Parameter를 가지고 있으며, 이러한 대규모 Parameter를 저장하고 관리하는 것은 상당한 메모리 사용량을 요구합니다.

특정 작업이나 Domain에 LLM을 적용하기 위해서는 Fine-tuning이라는 과정을 거쳐야 하는데, 기존의 전체 Parameter Fine-tuning 방식은 모든 Parameter를 학습시켜야 하므로 막대한 컴퓨팅 자원을 필요로 하기 때문에 소규모 연구실이나 개인 연구자들은 꿈도 꾸지 못하는 상황입니다.

2. LoRA의 핵심 IdeaPermalink

LoRA는 이러한 문제점을 해결하기 위해 “Low-Rank Adaptation”이라는 Idea를 도입했습니다.

LoRA의 핵심 Idea는 전체 Model을 재학습하는 대신, 원래 Model에 경량화된 작은 조각(Adapter)들을 추가하여 Model을 특정 용도에 맞게 빠르게 학습시키는 기술입니다.

LLM을 fine-tuning할 때, 실제로 Model의 모든 Parameter가 동일하게 중요하게 변하는 것은 아닙니다. 즉, 가중치 변화(weight update)는 저차원 부분 공간(low-rank subspace)에 집중되는 경향이 있습니다.

이 부분을 주목하여 LoRA는 원본 Model의 가중치를 고정하고, 각 Layer에 작은 “Adapter” 행렬을 추가합니다. 이 Adapter는 저차원 행렬 분해(low-rank decomposition) 형태로 표현됩니다.

예를 들어, 원본 가중치 행렬이 W(d x k)이고, W에 대한 변화를 ΔW라고 할 때, LoRA는 ΔW를 직접 학습하는 대신, 훨씬 작은 두 행렬 A (d x r)와 B (r x k)의 곱으로 근사합니다.

ΔW = AB

W : 원본 Model의 가중치 행렬 (d x k) - d는 입력 차원, k는 출력 차원
ΔW : Fine-tuning 과정에서 발생하는 가중치 변화량 (d x k)
A : LoRA에서 학습되는 저차원 행렬 (d x r)
B : LoRA에서 학습되는 저차원 행렬 (r x k)
r : LoRA rank (r « d, k), 즉, 저차원 공간의 차원 </span>

3. LoRA의 동작 방식Permalink

위 그림은 LoRA의 동작 방식을 전체적으로 그린 것입니다.

순서대로 하나씩 살펴보도록 하겠습니다.

1) 원본 Model FreezePermalink

먼저 기존의 원본 Model의 Parameter들이 Train시에 Update되지 않도록 Freeze시킵니다.
그리고, 앞서 설명한 Adapter를 원본 Model의 특정 Layer(주로 Transformer 블록의 Attention 메커니즘 부분)에 추가합니다.
Adapter는 2개의 작은 행렬 A와 B로 구성됩니다.
앞서 말씀드렸듯이, A는 (d x r) 크기의 행렬, B는 (r x k) 크기의 행렬이며, AB는 (d x k) 크기의 행렬로써, 원본 가중치 W와 동일한 크기를 가지게 됩니다.

2) InputPermalink

Train시에는 Input값이 고정된(Frozen) Pre-trained Weights (W)와 Adapter A에 동일하게 입력됩니다.
이 과정에서 W는 업데이트되지 않습니다.

3) Adapter TrainPermalink

Adapter A를 통과한 값은 다시 Adapter B를 통과하게 됩니다.
이 과정을 통해 (d x k) 크기의 출력값, 즉 AB 행렬이 생성되며, A와 B는 기존 W와는 다르게 Trainable 한 Parameter로, 학습과정에서 업데이트 됩니다.
A와 B의 Parameter 수는 r(rank) 값에 의해 결정 됩니다.

4) 최종 출력 계산Permalink

W를 통과한 출력값과 LoRA Adapter(AB)를 통과한 출력값을 더해서 최종 Output, W x Input + AB x Input 가 만들어지게 됩니다.

5) BackpropagationPermalink

이 Ouptut값을 이용해서 Loss를 계산하고, Backpropagation을 수행하여, Adapter A,B의 Parameter를 Update하게 됩니다.

6) 이 흐름은 Inference시에도 동일합니다.Permalink

4. LoRA vs 기존 Fine-tuning 방식(Fully Connected Layer 교체)Permalink

기존 fine-tuning 방식 중 하나는 pre-trained Model의 마지막 Fully Connected Layer(혹은 Classification Head)를 제거하고, 새로운 Fully Connected Layer를 추가하여 Train하는 방식입니다.

LoRA 방식이 기존 방식 대비 장점은 다음과 같은 것들이 있습니다.

1) Parameter 효율성Permalink

기존 방식 : 마지막 FC Layer를 교체하는 방식은, 마지막 Layer의 Parameter 수가 여전히 많을 수 있습니다. 특히, LLM의 경우 출력 차원(어휘 크기)이 매우 크기 때문에 FC Layer의 Parameter 수도 상당합니다.
LoRA : LoRA는 훨씬 적은 수의 Parameter(A와 B 행렬)만 추가하고 훈련하므로, 메모리와 계산 비용을 크게 절약할 수 있습니다.

2) 과적합 방지Permalink

기존 방식 : 작은 데이터셋으로 fine-tuning할 때, 마지막 FC Layer만 훈련하더라도 과적합 위험이 있습니다.
LoRA : LoRA는 원본 Model의 가중치를 고정하고, 매우 적은 수의 Parameter만 훈련하므로 과적합 위험을 줄여줍니다.

3) 모듈성 및 유연성Permalink

기존 방식 : FC Layer 교체 방식은 특정 작업에 특화된 새로운 Model을 생성합니다. 따라서 다른 작업에는 다시 fine-tuning해야 합니다.
LoRA : LoRA는 원본 Model을 변경하지 않고 Adapter만 추가하므로, 여러 작업에 대해 각각 다른 LoRA Adapter를 훈련하고 쉽게 교체할 수 있습니다. 즉, 하나의 pre-trained Model을 여러 작업에 재사용할 수 있습니다.

4) 원본 Model 지식 보존Permalink

기존 방식 : FC Layer를 교체하는 경우, pre-trained Model이 가지고 있는 마지막 layer의 지식이 사라집니다.
LoRA : LoRA는 원본 Model을 그대로 유지하면서 작은 Adapter만 추가하므로, 원본 Model의 지식을 최대한 활용하면서 새로운 작업에 적응할 수 있습니다.

5. LoRA의 장점Permalink

LoRA는 기존의 전체 Fine-tuning 방식에 비해 여러 가지 중요한 장점을 제공합니다.

1. 속도 향상Permalink

학습해야 하는 Parameter 수가 훨씬 적기 때문에 전체 Fine-tuning에 비해 학습 속도가 크게 향상됩니다 .
또한, 훈련 가능한 Parameter만 저장하면 되므로 GPU 메모리 사용량이 대폭 감소하여, 더 작은 GPU에서도 대규모 Model의 Fine-tuning이 가능해집니다 .
예를 들어, GPT-3의 경우 LoRA를 사용하면 GPU 메모리 요구량을 약 2/3까지 줄일 수 있습니다.

2. 저장 공간 효율성Permalink

Fine-tuning된 Model의 Checkpoint 크기가 전체 Model을 저장하는 것에 비해 훨씬 작아져 저장 공간 효율성이 높아집니다.
GPT-3의 체크포인트 크기가 LoRA를 통해 1TB에서 25MB로 감소한 사례는 이를 잘 보여줍니다.

3. GPU 자원 요구량 감소Permalink

GPU 자원 요구량 감소는 LLM Fine-tuning에 대한 접근성을 크게 향상시킵니다.
높은 사양의 GPU가 없어도 LLM Fine-tuning을 시도해 볼 수 있게 되어, 소규모 연구실이나 개인 연구자들도 최첨단 Model을 활용할 수 있는 기회가 확대됩니다.

4. 추론 시간 지연 발생없음Permalink

추론 시 추가적인 지연 시간이 발생하지 않습니다.
학습된 Adapter 행렬을 원래 Model에 병합하여 사용하거나, 병합하지 않고도 효율적인 계산이 가능하여 실시간 서비스 등에서도 LoRA를 적용하는 데 무리가 없습니다.

5. 유연성Permalink

LoRA는 다양한 작업에 대한 빠른 적응 및 유연성을 제공합니다.
작업별로 작은 크기의 LoRA 모듈만 학습하면 되므로, 하나의 기반 Model을 다양한 특정 작업에 빠르게 적응시킬 수 있습니다.
여러 개의 LoRA 모듈을 손쉽게 교체하여 다양한 작업을 수행할 수 있는 유연성을 제공하며 , 텍스트, 대화, 이미지 생성 등 다양한 애플리케이션에 적용 가능합니다.
또한, LoRA는 Prefix Tuning이나 Adapters와 같은 다른 Fine-tuning 방법과 결합하여 특정 목표를 달성할 수도 있습니다.

기존 Fine-tuning과 LoRA의 비교

특징	기존 Fine-tuning (Full Fine-tuning)	LoRA (Low-Rank Adaptation)
학습 Parameter 수	전체 Model Parameter 수	훨씬 적음 (저랭크 행렬)
메모리 요구량	매우 높음	훨씬 낮음
학습 속도	느림	빠름
Model 크기	매우 큼	작음 (추가 모듈)
추론 지연 시간	없음	없음
자원 요구량	높음	낮음

6. QLoRAPermalink

QLoRA(Quantized LoRA)는 기존 LoRA를 더욱 발전시켜 효율성을 극대화한 fine-tuning 기법이며, QLoRA의 핵심은 4비트 양자화와 Double Quantization, 이 2가지입니다.

6.1. 4비트 양자화 / Double QuantizationPermalink

1) 4비트 NormalFloat (NF4) 양자화Permalink

QLoRA의 가장 큰 특징은 사전 훈련된 Model의 가중치를 4비트 NormalFloat(NF4)라는 새로운 데이터 타입으로 양자화한다는 것입니다.
일반적으로 Model 가중치는 32비트 부동 소수점(float32) 또는 16비트 부동 소수점(float16/bfloat16)으로 표현됩니다.
4비트 양자화는 가중치를 4비트라는 매우 작은 단위로 표현하여 메모리 사용량을 획기적으로 줄입니다. (최대 8배 감소)
NF4는 정보 이론적으로 최적의 4비트 데이터 타입으로, 일반적인 4비트 정수형보다 더 나은 성능을 보입니다.

2) Double QuantizationPermalink

QLoRA는 양자화 상수(quantization constants)에도 추가적인 양자화를 적용하는 “Double Quantization”을 사용합니다.
양자화 상수는 양자화 과정에서 사용되는 값들인데, 이 값들 자체도 메모리를 차지합니다.
Double Quantization은 이러한 상수들까지도 양자화하여 메모리 사용량을 더욱 줄입니다.

6.2. LoRA vs. QLoRAPermalink

특징	LoRA	QLoRA
기본 Idea	저차원 Adapter(A, B) 추가	4비트 양자화 + 저차원 Adapter(A, B) 추가
Model 가중치	원본 Model 가중치 고정	원본 Model 가중치 4비트 NF4로 양자화
추가 Parameter	LoRA Adapter (A, B)	LoRA Adapter (A, B) + 양자화 상수
메모리 절약	훈련 Parameter 감소	훈련 Parameter 감소 + 가중치 양자화 + Double Quantization
Fine-tuning 속도	빠름	LoRA보다 약간 느릴 수 있음 (4비트 연산)
성능	Full fine-tuning과 유사하거나 약간 낮음	Full fine-tuning과 거의 동등한 성능
하드웨어 요구 사항	일반적인 GPU	4비트 양자화를 지원하는 GPU (NVIDIA)

6.3. QLoRA의 장점Permalink

앞서 보셨듯이, QLoRA는 4비트 양자화와 Double Quantization을 통해 LoRA보다 훨씬 더 적은 메모리로 fine-tuning이 가능하며, 게다가 거의 동등한 성능을 유지합니다.
이러한 장점으로 인해 고가의 GPU 없이도 대규모 LLM을 fine-tuning할 수 있어, 더 많은 사람이 LLM 기술을 활용할 수 있게 합니다.

6.4. 주의사항Permalink

1) 4비트 양자화는 NVIDIA의 특정 하드웨어 기능을 활용하기 때문에 특정 HW에서만 실행가능합니다.Permalink

QLoRA의 4비트 양자화는 NVIDIA의 “bitsandbytes” 라이브러리를 통해 구현되며, 이 라이브러리는 CUDA를 사용합니다.
좀 더 구체적으로, QLoRA의 핵심 기능인 bnb.nn.Linear4bit Layer는 다음 조건을 만족하는 NVIDIA GPU에서 사용할 수 있습니다.

· Compute Capability (SM) 7.5 이상: 튜링(Turing) 아키텍처(RTX 20 시리즈, T4 등) 이상

튜링(Turing): RTX 20 시리즈, Tesla T4, Quadro RTX 시리즈 등
암페어(Ampere): RTX 30 시리즈, A100, A30 등
에이다 러브레이스(Ada Lovelace): RTX 40 시리즈
호퍼(Hopper): H100 등

· CUDA 11.0 이상: QLoRA는 CUDA 11.0 이상의 환경이 필요합니다. (최신 버전 권장)

· PyTorch 1.12.0 이상: (최신 버전 권장)

다음 GPU들에서는 동작하지 않습니다

· 맥스웰(Maxwell), 파스칼(Pascal)과 같이 Compute capability가 7.5 미만인 경우. </span>

2) NF4 양자화 시간Permalink

QLoRA는 fine-tuning 시 메모리 사용량을 줄이기 위해 Model 가중치를 4비트로 양자화하지만, 이 양자화는 로드 시점에 실시간으로 이루어집니다.
즉, Model 가중치를 미리 NF4 형식으로 변환해 놓는 것이 아니라, Model을 메모리에 로드할 때 32비트(float32) 또는 16비트(float16/bfloat16) 가중치를 즉석에서 4비트 NF4로 변환하는 방식입니다.
따라서, 수십 기가바이트 크기의 Model 전체를 NF4로 변환하는 데 시간이 오래 걸리는 것은 아닙니다.
Model 로드 시점에 일부 추가적인 연산이 필요하지만, 이로 인한 지연 시간은 크지 않은 편입니다.
오히려 메모리 사용량이 크게 줄어들기 때문에, 전체적인 fine-tuning 시간은 단축될 수 있습니다.