Sebastian Raschka, PhD（magazine.sebastianraschka.com，Substack） · Sebastian Raschka
Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch
Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch是Sebastian Raschka, PhD（magazine.sebastianraschka.com，Substack）的免费文章（en）。前置条件：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。
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。
- 难度
- 见前置条件
- 类型
- 教程 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
第一次学这门课？先完成学前准备，把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent，它会准备这一课的练习文件。
- 学官方课节打开对应课节学习，按提示从第一道练习做起；它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选，并把疑问整理到 questions.md。
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。
课节共 1 节 · 官方顺序
常见问题
免费吗？
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。
需要什么基础？
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。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch。本页“学前准备”列出环境与工具，“学习指南”给出开课提示词，可以在自己的电脑上按步骤开始。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-26原站首次发布 2024-02-18
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。