peft-fine-tuning

PEFT (Parameter-Efficient Fine-Tuning)

LoRA、QLoRA、25種類以上のアダプターメソッドを使用し、パラメーターの1%未満を学習させることでLLMをファインチューニングします。

PEFTを使用するタイミング

PEFT/LoRAを使用する場合:

• コンシューマー向けGPU（RTX 4090、A100）で7B〜70Bモデルをファインチューニングする場合
• 学習対象を1%未満のパラメーターに抑える必要がある場合（6MBのアダプターに対し、フルモデルは14GB）
• タスク固有の複数のアダプターで素早く反復したい場合
• 1つのベースモデルから複数のファインチューニング済みバリアントをデプロイする場合

QLoRA（PEFT + 量子化）を使用する場合:

• 単一の24GB GPUで70Bモデルをファインチューニングする場合
• メモリが主要な制約である場合
• フルファインチューニングと比べて約5%の品質トレードオフを許容できる場合

代わりにフルファインチューニングを使用する場合:

• 小規模モデル（1Bパラメーター未満）を学習させる場合
• 最高品質が必要で、計算リソースに余裕がある場合
• 大きなドメインシフトがあり、すべての重みを更新する必要がある場合

クイックスタート

インストール

# Basic installation
pip install peft

# With quantization support (recommended)
pip install peft bitsandbytes

# Full stack
pip install peft transformers accelerate bitsandbytes datasets

LoRA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ファインチューニング（メモリ効率型）

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パラメーターの選択

ランク（r） - 容量と効率

ランク	学習可能パラメーター	メモリ	品質	ユースケース
4	約3M	最小	低め	シンプルなタスク、プロトタイピング
8	約7M	低	良好	推奨の開始点
16	約14M	中	より良い	一般的なファインチューニング
32	約27M	高め	高い	複雑なタスク
64	約54M	高	最高	ドメイン適応、70Bモデル

Alpha（lora_alpha） - スケーリング係数

# 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ターゲットモジュール

# 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+

アダプターの読み込みとマージ

学習済みアダプターの読み込み

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"
)

アダプターをベースモデルにマージ

# 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")

マルチアダプターによるサービング

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メソッドの比較

メソッド	学習可能割合	メモリ	速度	最適な用途
LoRA	0.1-1%	低	速い	一般的なファインチューニング
QLoRA	0.1-1%	非常に低	中程度	メモリ制約がある場合
AdaLoRA	0.1-1%	低	中程度	ランクの自動選択
IA3	0.01%	最小	最速	少数ショット適応
Prefix Tuning	0.1%	低	中程度	生成の制御
Prompt Tuning	0.001%	最小	速い	シンプルなタスク適応
P-Tuning v2	0.1%	低	中程度	NLUタスク

IA3（最小パラメーター）

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)

統合パターン

TRL（SFTTrainer）との併用

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）との併用

# 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）との併用

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")
)

パフォーマンスベンチマーク

メモリ使用量（Llama 3.1 8B）

メソッド	GPUメモリ	学習可能パラメーター
フルファインチューニング	60GB以上	8B（100%）
LoRA r=16	18 GB	14M（0.17%）
QLoRA r=16	6 GB	14M（0.17%）
IA3	16 GB	800K（0.01%）

学習速度（A100 80GB）

メソッド	トークン/秒	フルFTとの比較
フルFT	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	フルFT	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 OOM

# 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")

アダプターが適用されない

# 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()

品質の低下

# 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)

ベストプラクティス

1. r=8〜16から始め、品質が不十分な場合は増やす
2. 開始点としてalpha = 2 * rankを使用する
3. アテンション層とMLP層をターゲットにすることで、品質と効率の両方を最適化する
4. メモリ節約のために勾配チェックポイントを有効にする
5. アダプターを頻繁に保存する（ファイルサイズが小さく、ロールバックが容易）
6. マージの前に、保留データで評価する
7. コンシューマー向けハードウェアで70B以上のモデルにはQLoRAを使用する

参考資料

• 高度な使い方 - DoRA、LoftQ、ランク安定化、カスタムモジュール
• トラブルシューティング - よくあるエラー、デバッグ、最適化

Resources

• GitHub: https://github.com/huggingface/peft
• Docs: https://huggingface.co/docs/peft
• LoRA Paper: arXiv:2106.09685
• QLoRA Paper: arXiv:2305.14314
• Models: https://huggingface.co/models?library=peft