为什么选择Lora用于模型训练？
Lora采用的方式是向原有的模型中插入新的数据处理层，这样就避免了去修改原有的模型参数，从而避免将整个模型进行拷贝的情况，同时其也优化了插入层的参数量，最终实现了一种很轻量化的模型调校方法。
直接以矩阵相乘的形式存储，最终文件就会小很多。
一般lora都在144M，而一般的DB大模型至少都是近2G起，节省了大量的存储空间。
Lora训练时需要的显存也少了，显卡的显存达到6g即可开启训练，硬件门槛更加亲民。
Lora可以非常方便的在webui界面通过调用和不同权重，实现多种模型效果的叠加，相比DB大模型操作更加便捷，效果更加显著。