Transformers documentation

使用 🤗 PEFT 加载adapters

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

使用 🤗 PEFT 加载adapters

参数高效微调(PEFT)方法在微调过程中冻结预训练模型的参数,并在其顶部添加少量可训练参数(adapters)。adapters被训练以学习特定任务的信息。这种方法已被证明非常节省内存,同时具有较低的计算使用量,同时产生与完全微调模型相当的结果。

使用PEFT训练的adapters通常比完整模型小一个数量级,使其方便共享、存储和加载。

与完整尺寸的模型权重(约为700MB)相比,存储在Hub上的OPTForCausalLM模型的adapter权重仅为~6MB。

如果您对学习更多关于🤗 PEFT库感兴趣,请查看文档

设置

首先安装 🤗 PEFT:

pip install peft

如果你想尝试全新的特性,你可能会有兴趣从源代码安装这个库:

pip install git+https://github.com/huggingface/peft.git

支持的 PEFT 模型

Transformers原生支持一些PEFT方法,这意味着你可以加载本地存储或在Hub上的adapter权重,并使用几行代码轻松运行或训练它们。以下是受支持的方法:

如果你想使用其他PEFT方法,例如提示学习或提示微调,或者关于通用的 🤗 PEFT库,请参阅文档

加载 PEFT adapter

要从huggingface的Transformers库中加载并使用PEFTadapter模型,请确保Hub仓库或本地目录包含一个adapter_config.json文件和adapter权重,如上例所示。然后,您可以使用AutoModelFor类加载PEFT adapter模型。例如,要为因果语言建模加载一个PEFT adapter模型:

  1. 指定PEFT模型id
  2. 将其传递给AutoModelForCausalLM
from transformers import AutoModelForCausalLM, AutoTokenizer

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

你可以使用AutoModelFor类或基础模型类(如OPTForCausalLMLlamaForCausalLM)来加载一个PEFT adapter。

您也可以通过load_adapter方法来加载 PEFT adapter。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "facebook/opt-350m"
peft_model_id = "ybelkada/opt-350m-lora"

model = AutoModelForCausalLM.from_pretrained(model_id)
model.load_adapter(peft_model_id)

基于8bit或4bit进行加载

bitsandbytes集成支持8bit和4bit精度数据类型,这对于加载大模型非常有用,因为它可以节省内存(请参阅bitsandbytes指南以了解更多信息)。要有效地将模型分配到您的硬件,请在from_pretrained()中添加load_in_8bitload_in_4bit参数,并将device_map="auto"设置为:

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

peft_model_id = "ybelkada/opt-350m-lora"
model = AutoModelForCausalLM.from_pretrained(peft_model_id, quantization_config=BitsAndBytesConfig(load_in_8bit=True))

添加新的adapter

你可以使用~peft.PeftModel.add_adapter方法为一个已有adapter的模型添加一个新的adapter,只要新adapter的类型与当前adapter相同即可。例如,如果你有一个附加到模型上的LoRA adapter:

from transformers import AutoModelForCausalLM, OPTForCausalLM, AutoTokenizer
from peft import PeftConfig

model_id = "facebook/opt-350m"
model = AutoModelForCausalLM.from_pretrained(model_id)

lora_config = LoraConfig(
    target_modules=["q_proj", "k_proj"],
    init_lora_weights=False
)

model.add_adapter(lora_config, adapter_name="adapter_1")

添加一个新的adapter:

# attach new adapter with same config
model.add_adapter(lora_config, adapter_name="adapter_2")

现在您可以使用~peft.PeftModel.set_adapter来设置要使用的adapter。

# use adapter_1
model.set_adapter("adapter_1")
output = model.generate(**inputs)
print(tokenizer.decode(output_disabled[0], skip_special_tokens=True))

# use adapter_2
model.set_adapter("adapter_2")
output_enabled = model.generate(**inputs)
print(tokenizer.decode(output_enabled[0], skip_special_tokens=True))

启用和禁用adapters

一旦您将adapter添加到模型中,您可以启用或禁用adapter模块。要启用adapter模块:

from transformers import AutoModelForCausalLM, OPTForCausalLM, AutoTokenizer
from peft import PeftConfig

model_id = "facebook/opt-350m"
adapter_model_id = "ybelkada/opt-350m-lora"
tokenizer = AutoTokenizer.from_pretrained(model_id)
text = "Hello"
inputs = tokenizer(text, return_tensors="pt")

model = AutoModelForCausalLM.from_pretrained(model_id)
peft_config = PeftConfig.from_pretrained(adapter_model_id)

# to initiate with random weights
peft_config.init_lora_weights = False

model.add_adapter(peft_config)
model.enable_adapters()
output = model.generate(**inputs)

要禁用adapter模块:

model.disable_adapters()
output = model.generate(**inputs)

训练一个 PEFT adapter

PEFT适配器受Trainer类支持,因此您可以为您的特定用例训练适配器。它只需要添加几行代码即可。例如,要训练一个LoRA adapter:

如果你不熟悉如何使用Trainer微调模型,请查看微调预训练模型教程。

  1. 使用任务类型和超参数定义adapter配置(参见~peft.LoraConfig以了解超参数的详细信息)。
from peft import LoraConfig

peft_config = LoraConfig(
    lora_alpha=16,
    lora_dropout=0.1,
    r=64,
    bias="none",
    task_type="CAUSAL_LM",
)
  1. 将adapter添加到模型中。
model.add_adapter(peft_config)
  1. 现在可以将模型传递给Trainer了!
trainer = Trainer(model=model, ...)
trainer.train()

要保存训练好的adapter并重新加载它:

model.save_pretrained(save_dir)
model = AutoModelForCausalLM.from_pretrained(save_dir)
< > Update on GitHub