LST: Ladder Side-Tuning for Parameter and Memory Efficient Transfer Learning

在简述 LST 方法之前，我们先思考一下，上述的 Adapter 方法和 P-Tuning 方法在训练微调时到底高效在哪？

我们知道在对模型训练时，我们姑且可以笼统的分为两步：反向传播和梯度下降，以 Pytorch 为例具体就是

loss.backward()  #反向传播
optimizer.step()  #梯度下降

• backward()会根据模型的前向推理计算图来反向的对各个 layer 中的 weight 求的偏导$\frac{\partial L}{\partial w}$ 于之后的梯度下降，对各个 layer 中的 input 求偏导$\frac{\partial L}{\partial x}$用于向前层传递梯度，链式求导。

• step()则会根据所选用的优化器，对需要训练的参数执行相应的梯度下降策略，我们姑且可以将此过程简单描述成 如下公式 , 其中$\eta$ 学习率

$$w=w-\eta \frac{\partial L}{\partial w}$$

LST 直接在原模型的推理旁路上加了一个新的分支，也是固定原模型中的参数，将原模型各层输出与新建的旁路分支结合得到输出。

从图中不难发现，三种微调方法：

对于 Adapter 来说虽然只训练新插入的少部分参数，但是整个梯度回传的过程不能省略，换句话说，与微调整个模型相比：1)对于反向传播过程而言，各层对 weight 的梯度$\frac{\partial L}{\partial w}$ 用算了，但是对于 input 的梯度$\frac{\partial L}{\partial x}$ 算(要向前层传递); 2)对于梯度下降过程而言，只需要下降少部分新插入的层的 weight，原模型的 weight 都不动 对于 P-Tuning 虽然只需要训练 Embedding 层，但是 Embedding 层是输入层，所以与微调整个模型相比：1）对于反向传播过程而言，各层对 weight 的梯度$\frac{\partial L}{\partial w}$ 用算了，但是对于 input 的梯度$\frac{\partial L}{\partial x}$ 算(要向前层传递); 2)对于梯度下降过程而言，只需要下降 Embedding 层参数，原模型的 weight 都不动 所以我们再来回答本小节开始的问题：高效微调的高效 ，我觉得在于减少了所需梯度下降过程的权重量和计算量，对于反向传播的过程，不需要保存对原始 weight 得梯度也就节省了显存，但是反向传播的复杂度并没有降低。

而对于 LST 便是一种反向传播过程和梯度下降过程都高效的微调方法，如上图(c)而言，不难发现，LST 的反向传播和梯度下降过程都与原始模型无关，相当于我重新定义了一个小的模型结构，通过获取原模型的输出作为输入来协助微调最终的结果

对比

微调技术	对virtual token的处理	参与微调的参数	反向传播	梯度下降	推理延迟
Adapter			不用求原 W 梯度，得求全层的 X 梯度	下降少量新增网络的 W	会增加
P-Tuning	MLP+LSTM/MLP		不用求原 W 梯度，得求全层的 X 梯度	下降 Embedding 层的 W	增加较少
Prefix tuning	MLP
LST			只需要求一个小网络的 W 和 X 梯度	下降一个新增轻量级网络的 W	会增加
LoRA			既要求 W 梯度，还得求全层的 X 梯度，且计算量增多	下降少量的 W	没有