hugging face笔记：PEFT

1 介绍

• PEFT (Parameter-Efficient Fine Tuning) 方法在微调时冻结预训练模型参数，并在其上添加少量可训练的参数（称为适配器）
• 这些适配器被训练用来学习特定任务的信息。
• 这种方法已被证明在内存效率和计算使用上非常高效，同时能产生与完全微调模型相当的结果。
• 使用PEFT训练的适配器通常比完整模型小一个数量级，这使得分享、存储和加载它们变得非常方便。
  • 例如，一个OPTForCausalLM模型的适配器权重在Hub上的存储只有约6MB
  • 相比之下，完整的模型权重可以达到约700MB。

2 加载 PEFT适配器

2.1 直接from_pretrained加载

• 若要从 Transformers 加载和使用 PEFT 适配器模型，请确保 Hub 存储库或本地目录包含 adapter_config.json 文件和适配器权重
• 然后，可以使用 AutoModel类加载 PEFT 适配器模型

from transformers import AutoModelForCausalLM, AutoTokenizer

peft_model_id = "ybelkada/opt-350m-lora"
model = AutoModelForCausalLM.from_pretrained(peft_model_id)