在LoRA（Low-Rank Adaptation）中，参数A和B的初始化策略是经过精心设计的，以确保模型训练的稳定性和有效性。具体来说，参数A通常被初始化为正态分布，而参数B则初始化为0。这样的设计有以下几个优点：
-
保持原始模型行为：当B初始化为0时，新增的部分对原始权重的影响为零，从而不会破坏预训练模型的初始性能。这允许模型在训练初期完全保持原始模型的行为，从而为学习差异提供了一个平滑的起步。
-
确保初始梯度的有效传播：正态分布初始化有助于在训练初期确保梯度有效传播，避免梯度消失或爆炸的问题。
-
提供足够的随机性：正态分布的随机初始化为模型提供了足够的随机性，从而能够探索更广泛的参数空间，增加了模型找到最优解的可能性。
-
平衡训练初期的影响：正态分布初始化的值一般较小，结合B初始化为零矩阵，可以在训练初期确保新增的偏置矩阵对原始预训练权重的影响为零，从而避免破坏预训练模型的初始性能。
-
避免梯度消失：如果B和A全部初始化为零矩阵，缺点是很容易导致梯度消失。
-
避免过多噪声：如果B和A全部正态分布初始化，那么在模型训练开始时，就会容易得到一个过大的偏移值，从而引起太多噪声，导致难以收敛。
综上所述，LoRA中参数A的正态分布初始化和参数B的零初始化是为了在保持预训练模型性能的同时，有效地引入新的参数进行微调，从而实现模型的高效适应新任务。
