【论文解读】The Power of Scale for Parameter-Efficient Prompt Tuning

华农度假村村长

已于 2023-10-21 15:56:35 修改

阅读量639

点赞数

分类专栏： nlp 文章标签： prompt 深度学习人工智能 nlp

于 2023-10-21 15:56:16 首次发布

本文链接：https://blog.csdn.net/weixin_50862344/article/details/133953048

版权

nlp 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

一.介绍

1.1 promote tuning 和 prefix tuning 的关系

“前缀调优”的简化版

1.2 大致实现

冻结了整个预训练模型，并且只允许每个下游任务附加k个可调令牌到输入文本。这种“软提示”是端到端训练的，可以压缩来自完整标记数据集的信号，使我们的方法优于少量提示，并通过模型调整缩小质量差距。同时，由于单个预训练模型可用于所有下游任务，因此我们保留了冻结模型的高效服务优势

1.3 核心贡献

提出提示调优，并在大型语言模型中展示其与模型调优的竞争力。
消除许多设计选择，并显示质量和健壮性随着规模而提高。
在域移位问题上显示提示调优优于模型调优。
提出“即时整合”并展示其有效性。

二.promote tuning

2.1 问题建模

将所有任务都转换为文本生成。将分类建模为给定某些输入的输出类的概率 $P_r(y|X)$ ，其中X是一系列标记，y是单个类标签，现在我们将其建模为条件生成，其中y是表示类标签的标记序列。

2.2 promote 如何work的

提示是在Y生成过程中为模型添加额外信息的方法。通常，提示是通过在输入X前添加一系列标记P来完成的，这样模型就可以最大化生成Y的正确Y的可能性。通常，提示是通过在输入X前添加一系列标记P来完成的，这样模型就可以最大化正确Y的可能性， $Pr_{\theta } (Y|[P;X])$ ，同时保持模型参数θ不变。

提示调优本质上就是使用专用参数 $\theta _p$ 建模promote信息作为提示符，这些提示符被连接到嵌入的输入，直接通过模型（encoder-decoder架构）

2.3 与其他工作的对比

文章第四节对比了该方法和其他方法的异同，但是没有给出数据对比

三.代码实现

【pytorch参考代码】

只训练soft promote 权重

# Only update soft prompt'weights for prompt-tuning. ie, all weights in LM are set as `require_grad=False`. 
optimizer_grouped_parameters = [
    {
        "params": [p for n, p in model.named_parameters() if n == "soft_prompt.weight"],
        "weight_decay": args.weight_decay,
    }
]
optimizer = AdamW(optimizer_grouped_parameters, lr=args.learning_rate)
lr_scheduler = get_scheduler(
    name=args.lr_scheduler_type,
    optimizer=optimizer,
    num_warmup_steps=args.num_warmup_steps,
    num_training_steps=args.max_train_steps,
)

初始化权重

    def initialize_soft_prompt(
        self,
        n_tokens: int = 20,
        initialize_from_vocab: bool = True,
        random_range: float = 0.5,
    ) -> None:
        self.n_tokens = n_tokens
        if initialize_from_vocab:
            init_prompt_value = self.transformer.wte.weight[:n_tokens].clone().detach()
        else:
            init_prompt_value = torch.FloatTensor(2, 10).uniform_(
                -random_range, random_range
            )
        self.soft_prompt = nn.Embedding(n_tokens, self.config.n_embd)
        # Initialize weight
        self.soft_prompt.weight = nn.parameter.Parameter(init_prompt_value)

处理输入

    def _cat_learned_embedding_to_input(self, input_ids) -> torch.Tensor:
        inputs_embeds = self.transformer.wte(input_ids)

        if len(list(inputs_embeds.shape)) == 2:
            inputs_embeds = inputs_embeds.unsqueeze(0)

        # [batch_size, n_tokens, n_embd]
        learned_embeds = self.soft_prompt.weight.repeat(inputs_embeds.size(0), 1, 1)

        inputs_embeds = torch.cat([learned_embeds, inputs_embeds], dim=1)

        return inputs_embeds