1 介绍

• PEFT 提供了参数高效的方法来微调大型预训练模型。
• 传统的范式是为每个下游任务微调模型的所有参数，但由于当前模型的参数数量巨大，这变得极其昂贵且不切实际。
• 相反，训练较少数量的提示参数或使用诸如低秩适应 (LoRA) 的重新参数化方法来减少可训练参数数量是更有效的

2 训练

2.1 加载并创建 LoraConfig 类

• 每种 PEFT 方法都由一个 PeftConfig 类定义，该类存储了构建 PeftModel 的所有重要参数
• eg：使用 LoRA 进行训练，加载并创建一个 LoraConfig 类，并指定以下参数
  • task_type：要训练的任务（在本例中为序列到序列语言建模）
  • inference_mode：是否将模型用于推理
  • r：低秩矩阵的维度
  • lora_alpha：低秩矩阵的缩放因子
  • lora_dropout：LoRA 层的丢弃概率

from peft import LoraConfig, TaskTypepeft_config = LoraConfig(task_type=TaskType.SEQ_2_SEQ_LM, inference_mode=False, r=8, lora_alpha=32, lora_dropout=0.1)

2.2 创建 PeftModel

• 一旦设置了 LoraConfig，就可以使用 get_peft_model() 函数创建一个 PeftModel
  • 需要一个基础模型 - 可以从 Transformers 库加载 -
  • 以及包含如何配置 LoRA 模型参数的 LoraConfig

2.2.1 加载需要微调的基础模型

from transformers import AutoModel,AutoTokenizer
import os
import torchos.environ["HF_TOKEN"] = '*'
#huggingface的私钥tokenizer=AutoTokenizer.from_pretrained('meta-llama/Meta-Llama-3-8B')
model=AutoModel.from_pretrained('meta-llama/Meta-Llama-3-8B',torch_dtype=torch.bfloat16, low_cpu_mem_usage=True)

2.2.2 创建 PeftModel

将基础模型和 peft_config 与 get_peft_model() 函数一起包装以创建 PeftModel

from peft import get_peft_modelmodel = get_peft_model(model, peft_config)
model.print_trainable_parameters()
#了解模型中可训练参数的数量
#trainable params: 3,407,872 || all params: 7,508,332,544 || trainable%: 0.0454

之后就可以train了

3保存模型

模型训练完成后，可以使用 save_pretrained 函数将模型保存到目录中。

model.save_pretrained("output_dir")

4 推理

• 使用 AutoPeftModel 类和 from_pretrained 方法加载任何 PEFT 训练的模型进行推理
  • 对于没有明确支持 AutoPeftModelFor 类的任务，可以使用基础的 AutoPeftModel 类加载任务模型

from peft import AutoPeftModelForCausalLM
from transformers import AutoTokenizer
import torchmodel = AutoPeftModelForCausalLM.from_pretrained("ybelkada/opt-350m-lora")
#LORA过的模型
tokenizer = AutoTokenizer.from_pretrained("facebook/opt-350m")
#普通的tokenizermodel.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."

5LoraConfig主要参数

r (int)	LoRA 注意力维度（“秩”） 【默认8】
target_modules	应用适配器的模块名称。 如果指定，则仅替换具有指定名称的模块。 传递字符串时，将执行正则表达式匹配。 传递字符串列表时，将执行精确匹配或检查模块名称是否以传递字符串之一结尾。 如果指定为 'all-linear'，则选择所有线性/Conv1D 模块，排除输出层。 如果未指定，将根据模型架构选择模块。 如果架构未知，将引发错误 - 在这种情况下，应手动指定目标模块。 【默认None]
lora_alpha	LoRA 缩放的 alpha 参数 【默认8】
lora_dropout	LoRA 层的 dropout 概率 【默认0】
fan_in_fan_out	如果要替换的层存储权重为 (fan_in, fan_out)，则设置为 True 例如，GPT-2 使用 Conv1D，它存储权重为 (fan_in, fan_out)，因此应设置为 True
bias	LoRA 的偏置类型。可以是 'none'、'all' 或 'lora_only'。 如果是 'all' 或 'lora_only'，则在训练期间将更新相应的偏置
use_rslora	设置为 True 时，使用 Rank-Stabilized LoRA，将适配器缩放因子设置为 lora_alpha/math.sqrt(r)，因为其效果更好。 否则，将使用原始默认值 lora_alpha/r
modules_to_save	除适配器层外，在最终检查点中设置为可训练和保存的模块列表
init_lora_weights	如何初始化适配器层的权重。 传递 True（默认）将导致来自微软参考实现的默认初始化。 传递 'gaussian' 将导致高斯初始化，按 LoRA 秩缩放。 将初始化设置为 False 会导致完全随机初始化，不建议使用。 传递 'loftq' 使用 LoftQ 初始化。 传递 'pissa' 使用 PiSSA 初始化，收敛速度更快，性能更优。 传递 pissa_niter_[number of iters]使用快速 SVD 基于 PiSSA 的初始化，其中 [number of iters] 表示执行 FSVD 的子空间迭代次数，必须为非负整数。 当 [number of iters] 设置为 16 时，可以在几秒钟内完成 7b 模型的初始化，训练效果大致相当于使用 SVD。
layers_to_transform	要转换的层索引列表。 如果传递一个整数列表，则将适配器应用于该列表中指定的层索引。 如果传递单个整数，则在该索引处的层上应用转换。
layers_pattern	层模式名称，仅在 layers_to_transform 不为 None 时使用
rank_pattern	层名称或正则表达式到秩的映射
alpha_pattern	层名称或正则表达式到 alpha 的映射

6举例

6.1 初始 model

from transformers import AutoModel,AutoTokenizer
import os
import torchos.environ["HF_TOKEN"] = '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'tokenizer=AutoTokenizer.from_pretrained('meta-llama/Meta-Llama-3-8B')
model=AutoModel.from_pretrained('meta-llama/Meta-Llama-3-8B',torch_dtype=torch.bfloat16, low_cpu_mem_usage=True)model

6.2 经典lora

from peft import LoraConfig, TaskTypepeft_config = LoraConfig(r=8, lora_alpha=32, lora_dropout=0.1)from peft import get_peft_modellora_model = get_peft_model(model, peft_config)
lora_model.print_trainable_parameters()lora_model

6.3 查看可训练参数

for name,tensor in model.named_parameters():print(name,tensor.requires_grad)

for name,tensor in lora_model.named_parameters():
    print(name,tensor.requires_grad)