# Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation \(DoRA\) from Scratch

- 发布方：Sebastian Raschka, PhD（magazine.sebastianraschka.com，Substack）；作者：Sebastian Raschka
- 形式：文章 · en
- 原始资源：[https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch](<https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch>)
- 本站页面：[https://oplearnx.com/resources/res\_d3es6yf4yrqd](<https://oplearnx.com/resources/res_d3es6yf4yrqd>)
- 学习主题：人工智能 / 大语言模型 LLM / 微调与对齐；人工智能 / 大语言模型 LLM；人工智能 / 大语言模型 LLM / 微调与对齐 / 指令微调
- 内容状态：状态待核验
- 原始发布时间：2024-02-18 16:00
- 本站首次收录：2026-10-26 00:13

## 能学到什么

读者能理解 LoRA 的低秩更新原理，并用 PyTorch 从零实现 LoRALayer、LinearWithLoRA 以及与权重合并的等价写法；正文后半部分按标题应继续覆盖 DoRA，但节选未提供。

- 解释 LoRA 的 W \+ A·B 低秩更新为何能大幅减少可训练参数与显存占用
- 用 PyTorch 从零写出 LoRALayer 与 LinearWithLoRA，并说明 rank、alpha 的作用
- 实现把 LoRA 权重与原权重合并的 LinearWithLoRAMerged，并验证与未合并版本输出一致
- 说明 DoRA 权重分解思路（节选未给出实现细节，需在完整正文中学习）

## 适合我吗

- 适合：适合已会用 PyTorch、想动手实现 LoRA/DoRA 这类参数高效微调层的学习者，篇幅短、代码可直接运行。
- 需要留意：不适合零基础读者，也不是系统讲解大模型微调全流程的课程；节选只覆盖 LoRA 部分，想看 DoRA 完整实现需阅读全文。

## 前置条件与费用

- 知识前置：需要懂 PyTorch 的 nn.Module 与线性层，理解矩阵乘法、反向传播和微调的基本概念。
- 软件、账号与硬件：需要可运行 PyTorch 的环境（本地 Python 或在线 Notebook）；节选未说明是否需要 GPU。
- 内容费用：免费：节选中可直接读到 LoRA 讲解、代码与运行结果，未见付费墙或登录拦截；页面上的 Subscribe 与书籍推荐不改变本资源费用。
- 实践费用：实践可能产生费用：节选中的练习只是小规模 PyTorch 代码，普通 CPU 即可；网页未说明是否必须使用 GPU 或付费云服务。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- [Python \+ PyTorch](<https://pytorch.org/>)：实现并运行文中的 LoRA/DoRA 层代码

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在本地复现文中三个类，并用同一随机种子对比 LinearWithLoRA 与 LinearWithLoRAMerged 的输出是否一致。
课节（官方顺序）：
1. Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch

1. 环境
- Python 3
- PyTorch
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
3. 目录（最外层放在我确认的位置）
lora-dora-from-scratch/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-improving-lora-implementing-weight-decomposed/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import torch; print(torch.__version__)"  → 打印出 PyTorch 版本号，说明环境可用
  - 打开文章页，确认正文 LoRA 代码与输出结果可见，无需登录  → 能直接读到代码块和 "LoRA output: tensor([[0.6639, 0.4487]])" 等结果
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在本地复现文中三个类，并用同一随机种子对比 LinearWithLoRA 与 LinearWithLoRAMerged 的输出是否一致。
课节（官方顺序）：
1. Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch

1. 环境
- Python 3
- PyTorch
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
3. 目录（最外层放在我确认的位置）
lora-dora-from-scratch/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-improving-lora-implementing-weight-decomposed/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch; print(torch.__version__)"  → 打印出 PyTorch 版本号，说明环境可用
  - 打开文章页，确认正文 LoRA 代码与输出结果可见，无需登录  → 能直接读到代码块和 "LoRA output: tensor([[0.6639, 0.4487]])" 等结果
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在本地复现文中三个类，并用同一随机种子对比 LinearWithLoRA 与 LinearWithLoRAMerged 的输出是否一致。
课节（官方顺序）：
1. Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch

1. 环境
- Python 3
- PyTorch
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch
3. 目录（最外层放在我确认的位置）
lora-dora-from-scratch/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-improving-lora-implementing-weight-decomposed/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch; print(torch.__version__)"  → 打印出 PyTorch 版本号，说明环境可用
  - 打开文章页，确认正文 LoRA 代码与输出结果可见，无需登录  → 能直接读到代码块和 "LoRA output: tensor([[0.6639, 0.4487]])" 等结果
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch」。课程目录是 lora-dora-from-scratch/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation \(DoRA\) from Scratch](<https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch>)

## 指南参考

- [课程主页](<https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：PyTorch 运行环境（本地 Python 或在线 Notebook），用于跑文中代码
- 转载与修改 · 课程页面与材料：未找到明确许可。网页未写出许可名称，节选中没有看到许可声明 [依据](<https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）