【Python】科研代码学习:十二 PEFT(高效参数的训练,Adapter适配器)

PEFT

  • 【HF官网-Doc-PEFT:API】
    首先日常问题,是什么,为什么,怎么用
    PEFT (Prameter-Efficient Fine-Tuning):参数高效的微调
    这里特指 HF 提供的 PEFT
    PEFT 让大的预训练模型可以很快适应到各种下游的任务中,并且没有进行全参微调,因为全参微调的时间、算力花费比较大。

简单训练教程

  • 两个很重要的模块:
    PeftConfig :提供 peft 的配置
    PeftModel:提供 peft 的模型
  • 最常见的是使用 LoRA (Low-Rank Adaptation ) 作为 PEFT 技术
    这里,PeftConfig 就使用了 LoraConfig
    然后给了一些必要的参数,比如任务类型,设定模式(训练还是推理),低秩矩阵的秩,和lora的俩参数:
from peft import LoraConfig, TaskType

peft_config = LoraConfig(task_type=TaskType.SEQ_2_SEQ_LM, inference_mode=False, r=8, lora_alpha=32, lora_dropout=0.1)
  • 然后,加载一个预训练模型
    接着,使用 get_peft_model,把模型和 peft_config 传进去,变成 peftmodel
    我们发现,这里只用训练 0.19 % 0.19\% 0.19% 的参数
from transformers import AutoModelForSeq2SeqLM
from peft import get_peft_model

model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/mt0-large")


model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
"output: trainable params: 2359296 || all params: 1231940608 || trainable%: 0.19151053100118282"
  • 然后直接提供 TrainingArgumentsTrainer 训练即可
training_args = TrainingArguments(
    output_dir="your-name/bigscience/mt0-large-lora",
    learning_rate=1e-3,
    per_device_train_batch_size=32,
    per_device_eval_batch_size=32,
    num_train_epochs=2,
    weight_decay=0.01,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    load_best_model_at_end=True,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets["train"],
    eval_dataset=tokenized_datasets["test"],
    tokenizer=tokenizer,
    data_collator=data_collator,
    compute_metrics=compute_metrics,
)

trainer.train()	
  • 保存部分,跟一般的模型一样。但它只存储那些额外训练的参数,因此保存后的文件很小。
model.save_pretrained("output_dir")

简单推理教程

  • 我们加载 peftmodel 的话,需要使用比如 AutoPeftModel
    同理,使用 .from_pretrained 方法加载
    其他步骤没啥区别
from peft import AutoPeftModelForCausalLM
from transformers import AutoTokenizer
import torch

model = AutoPeftModelForCausalLM.from_pretrained("ybelkada/opt-350m-lora")
tokenizer = AutoTokenizer.from_pretrained("facebook/opt-350m")

model = model.to("cuda")
model.eval()
inputs = tokenizer("Preheat the oven to 350 degrees and place the cookie dough", return_tensors="pt")

outputs = model.generate(input_ids=inputs["input_ids"].to("cuda"), max_new_tokens=50)
print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True)[0])

"Preheat the oven to 350 degrees and place the cookie dough in the center of the oven. In a large bowl, combine the flour, baking powder, baking soda, salt, and cinnamon. In a separate bowl, combine the egg yolks, sugar, and vanilla."

Adapter 适配器

  • Adapter-based 方法在冻结的注意力层和全连接层之后添加了额外的可训练参数
    这里简单介绍一下 PEFT 支持的几个 Adapter
  • LoRA (Low-Rank Adaptation):最受欢迎的一个PEFT方法
    主要是高秩到低秩的映射,然后再映射回高秩矩阵。
    一开始在NLP中,后来CV也有用
  • LoHa (Low-Rank Hadamard Product):使用了 Hadamard product 方法
    在CV中用,NLP中的嵌入层代码还没实现
  • LoKr (Low-Rankd Kronecker Product) :使用了 Kronecker Product 方法
    主要给 diffusion model 使用
    在这里插入图片描述
  • OFT (Orthogonal Finetuning):方法如下图
    一开始聚焦在微调阶段,预训练模型的生成能力
    在这里插入图片描述
  • Llama-Adapter:让 Llama 适配成接受指令模型 (instruction-following model)
    在这里插入图片描述
  • PEFT 库中,可以按照对应的模型和任务,选择想用的 Adapter
    不同的 Adapter 都有它自己的 SpecificPeftModelSpecificPeftConfig
    去查阅相关的参数即可。
    比较常用的有:
    IA3
    LoRA
    P-tuning
    Prefix tuning
    Prompt tuning
    在这里插入图片描述

Merge Adapter

  • 在实际过程中,由于基座模型和 adapter 适配器 分开加载,可能会遇到延迟问题
    这个时候,可以选择使用 merge_and_unload() 方法,把 adapter 权重与底座模型权重融合起来。这样的话,使用新的模型就和一开始单独的模型没有区别了。
  • 比如我使用的是 LoraAdapter,查阅该方法
    progressbar :是否显示进度条
    safe_merge:使用安全合并,检查适配器中是否有 Nan 权重
    adapter_names:要合并的适配器名字的列表
    在这里插入图片描述
  • 当然这些参数都可以用默认值。我们只要对 PeftModel 调用该方法即可返回合并后的 model 。
from transformers import AutoModelForCausalLM
from peft import PeftModel

base_model = AutoModelForCausalLM.from_pretrained("tiiuae/falcon-40b")
peft_model_id = "smangrul/falcon-40B-int4-peft-lora-sfttrainer-sample"
model = PeftModel.from_pretrained(base_model, peft_model_id)
merged_model = model.merge_and_unload()

架构关系

  • 粗看上面关系有点乱,还是得看一下源码
    PeftModel 是从 torch.nn 继承过来的,按照不同的任务,使用不同的子类,比如 PeftModelForCausalLM
    LoRAModel 等,是从 BaseTuner 继承过来的,Tuner 也是继承自 torch.nn,但这个是按照使用不同的适配器分类的,并且它建议是使用 LoRAConfig,这个是 PeftConfig 的子类
  • PeftModel 更靠近 PretrainedModel,有 save_pretrained, from_pretrained 等方法。PeftModelForCausalLM 还有 generate 方法
    LoRAModel 更靠近 Adapter,有 merge_and_unload, delete_adapter 等方法
  • 它里面大部分的基类和使用到的网络几乎都是 torch.nn,因此大部分跟 PretrainedModel 可以接壤
  • 即根据我的查询,LoRAModel 等并不是 PeftModelForCausalLM / PeftModel 的子类(有待存疑)
    LoRAModel 来训练,PeftModel 来推理,是可以的。
    并且 LoRAModel 可以通过 merge_and_unload() 方法转成 torch.nn,也就相当于 PretrainedModel
    在这里插入图片描述
  • 34
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值