Adapter-Tuning：高效适配预训练模型的新任务

最新推荐文章于 2025-04-19 15:38:46 发布

花千树-010

最新推荐文章于 2025-04-19 15:38:46 发布

阅读量2.1k

点赞数 44

分类专栏： Tuning 文章标签： prompt embedding AIGC 机器学习 chatgpt pytorch

本文链接：https://blog.csdn.net/fenglingguitar/article/details/145998278

版权

Tuning 专栏收录该内容

5 篇文章

订阅专栏

1. 引言

近年来，预训练语言模型（PLM）如 BERT、GPT 和 T5 在自然语言处理（NLP）任务中取得了巨大成功。然而，Fine-Tuning 这些大型模型通常需要大量计算资源，并且每个新任务都需要存储一套完整的微调权重，这导致存储成本高昂。

Adapter-Tuning 作为一种高效的模型调优方法，允许我们在预训练模型的基础上，通过引入轻量级 “Adapter” 层来进行任务特定的学习。Adapter 层只占用少量参数，并且可以在多个任务之间共享，从而大幅降低计算和存储成本。

本文介绍 Adapter-Tuning 技术，并通过一个意图识别任务的代码示例展示其应用。

2. Adapter-Tuning 的原理

Adapter-Tuning 通过在 Transformer 层中插入可训练的 “Adapter” 模块，而不改变原始预训练模型的参数。这些 Adapter 模块通常由小型的前馈神经网络（如 Bottleneck 层）组成，并且可以独立于原始模型进行训练。

Adapter-Tuning 具备以下特点：

模型参数冻结：仅训练 Adapter 层，保持预训练模型的权重不变，减少计算资源消耗。
任务适配灵活：多个任务可以共享同一个预训练模型，仅需加载不同的 Adapter 层。
存储需求降低：每个任务只需存储 Adapter 参数，而不必复制整个预训练模型。

3. Adapter-Tuning 代码示例

以下示例展示了如何使用 Adapter-Transformers 库在 DistilBERT 上进行意图分类任务。

3.1 数据集构建

import torch
from torch.utils.data import Dataset
from transformers import AutoTokenizer

class IntentDataset(Dataset):
    def __init__(self, texts, labels, tokenizer, max_length=128):
        self.texts = texts
        self.labels = labels
        self.tokenizer = tokenizer
        self.max_length = max_length

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        text = self.texts[idx]
        label = self.labels[idx]
        encoding = self.tokenizer(
            text, truncation=True, padding='max_length', max_length=self.max_length, return_tensors="pt"
        )
        return {
            'input_ids': encoding['input_ids'].squeeze(0),
            'attention_mask': encoding['attention_mask'].squeeze(0),
            'labels': torch.tensor(label, dtype=torch.long)
        }

3.2 加载模型并配置 Adapter

from adapters import AutoAdapterModel, AdapterConfig
from transformers import AutoTokenizer

model_name = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 使用 AutoAdapterModel 加载模型
model = AutoAdapterModel.from_pretrained(model_name)

# 设置分类任务的输出头（3 个意图类别）
model.add_classification_head("intent_recognition", num_labels=3)

# 配置 Adapter
adapter_config = AdapterConfig.load("pfeiffer")  # 使用 Pfeiffer 结构
model.add_adapter("intent_adapter", config=adapter_config)

# 激活 Adapter 并设置为训练模式
model.set_active_adapters("intent_adapter")
model.train_adapter("intent_adapter")  # 只训练 Adapter，冻结其他参数

3.3 训练模型

from torch.optim import AdamW
from torch.utils.data import DataLoader

texts = [
    "What's the weather like today?",
    "Set a reminder for 3 PM.",
    "Tell me a joke.",
    "How's the weather tomorrow?",
    "Remind me to call mom at 6 PM."
]
labels = [0, 1, 2, 0, 1]

dataset = IntentDataset(texts, labels, tokenizer)
train_dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

optimizer = AdamW(model.parameters(), lr=1e-4)  # Adapter 通常需要稍高的学习率

model.train()
for epoch in range(3):
    total_loss = 0
    for batch in train_dataloader:
        outputs = model(
            input_ids=batch['input_ids'],
            attention_mask=batch['attention_mask'],
            labels=batch['labels']
        )
        loss = outputs.loss
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        total_loss += loss.item()
    print(f"Epoch {epoch + 1}, Average Loss: {total_loss:.4f}")

3.4 测试（推理）

model.eval()
test_texts = [
    "What's the forecast for this weekend?",
    "Set an alarm for 7 AM."
]
intent_map = {0: "Ask about weather", 1: "Set reminder", 2: "Tell joke"}

with torch.no_grad():
    for test_text in test_texts:
        encoded_input = tokenizer(test_text, return_tensors="pt")
        outputs = model(**encoded_input)
        predicted_label = torch.argmax(outputs.logits, dim=1).item()
        print(f"Text: '{test_text}' -> Predicted Intent: {intent_map[predicted_label]}")

4. Adapter-Tuning 的应用场景

Adapter-Tuning 适用于以下 NLP 任务：

文本分类（情感分析、意图识别）
命名实体识别（NER）
机器翻译（多语言适配）
问答系统（任务特定知识嵌入）
跨任务迁移学习（快速适配多个任务）

5. Adapter-Tuning 的优劣势

优势

计算成本低：冻结主模型，仅训练 Adapter，显著减少算力需求。
存储需求小：每个任务只需存储 Adapter 权重，而非整个模型。
适用于多任务学习：可以为不同任务加载不同 Adapter，而无需训练多个独立模型。

劣势

适配能力有限：对于复杂任务，Adapter 可能无法完全替代 Fine-Tuning。
对任务敏感：不同任务可能需要不同类型的 Adapter 配置。

6. 完整代码实例

import torch
from adapters import AutoAdapterModel, AdapterConfig
from torch.optim import AdamW
from torch.utils.data import DataLoader, Dataset
from transformers import AutoTokenizer


# 定义数据集类
class IntentDataset(Dataset):
    def __init__(self, texts, labels, tokenizer, max_length=128):
        self.texts = texts
        self.labels = labels
        self.tokenizer = tokenizer
        self.max_length = max_length

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        text = self.texts[idx]
        label = self.labels[idx]
        encoding = self.tokenizer(
            text,
            truncation=True,
            padding='max_length',
            max_length=self.max_length,
            return_tensors="pt"
        )
        return {
            'input_ids': encoding['input_ids'].squeeze(0),
            'attention_mask': encoding['attention_mask'].squeeze(0),
            'labels': torch.tensor(label, dtype=torch.long)
        }


# 加载预训练模型和分词器
model_name = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 使用 AutoAdapterModel 加载模型
model = AutoAdapterModel.from_pretrained(model_name)
# 设置分类任务的输出头（3 个意图类别）
model.add_classification_head("intent_recognition", num_labels=3)

# 配置 Adapter
adapter_config = AdapterConfig.load("pfeiffer")  # 使用 Pfeiffer 架构的 Adapter
model.add_adapter("intent_adapter", config=adapter_config)
# 激活 Adapter 并设置为训练模式
model.set_active_adapters("intent_adapter")
model.train_adapter("intent_adapter")  # 只训练 Adapter，其他参数冻结

# 准备训练数据
texts = [
    "What's the weather like today?",
    "Set a reminder for 3 PM.",
    "Tell me a joke.",
    "How's the weather tomorrow?",
    "Remind me to call mom at 6 PM."
]
labels = [0, 1, 2, 0, 1]  # 0=询问天气, 1=设置提醒, 2=讲笑话

# 创建数据集和数据加载器
dataset = IntentDataset(texts, labels, tokenizer)
train_dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

# 定义优化器（只优化 Adapter 参数）
optimizer = AdamW(model.parameters(), lr=1e-4)  # Adapter 通常需要稍高的学习率

# 训练循环
for epoch in range(3):
    total_loss = 0
    for batch in train_dataloader:
        input_ids = batch['input_ids']
        attention_mask = batch['attention_mask']
        labels = batch['labels']

        # 前向传播
        outputs = model(
            input_ids=input_ids,
            attention_mask=attention_mask,
            labels=labels
        )
        loss = outputs.loss

        # 反向传播
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()

        total_loss += loss.item()

    avg_loss = total_loss / len(train_dataloader)
    print(f"Epoch {epoch + 1}, Average Loss: {avg_loss:.4f}")

# 保存 Adapter（可选）
model.save_adapter("intent_adapter_output", "intent_adapter")

# 测试（推理）
model.eval()
test_texts = [
    "What's the forecast for this weekend?",
    "Set an alarm for 7 AM."
]
intent_map = {0: "Ask about weather", 1: "Set reminder", 2: "Tell joke"}

with torch.no_grad():
    for test_text in test_texts:
        encoded_input = tokenizer(test_text, return_tensors="pt")
        outputs = model(**encoded_input)
        logits = outputs.logits
        predicted_label = torch.argmax(logits, dim=1).item()
        predicted_intent = intent_map[predicted_label]
        print(f"Text: '{test_text}' -> Predicted Intent: {predicted_intent}")

7. 结论

Adapter-Tuning 是一种高效、低成本的 NLP 任务微调方法，适用于多任务学习和跨任务迁移。相比 Fine-Tuning，Adapter-Tuning 计算资源消耗更低，并且存储占用小，是预训练模型调优的一个理想选择。希望本文的示例能帮助你理解 Adapter-Tuning，并在实际应用中灵活使用这一技术！