搜索网站制作教程,WordPress博客文件,ppt设计多少钱一页,网站建设定制网站建设公司什么是PEFT#xff1f;What is PEFT#xff1f;
PEFT(Parameter Efficient Fine-Tuning)是一系列让大规模预训练模型高效适应于新任务或新数据集的技术。
PEFT在保持大部分模型权重冻结#xff0c;只修改或添加一小部份参数。这种方法极大得减少了计算量和存储开销#x…什么是PEFTWhat is PEFT
PEFT(Parameter Efficient Fine-Tuning)是一系列让大规模预训练模型高效适应于新任务或新数据集的技术。
PEFT在保持大部分模型权重冻结只修改或添加一小部份参数。这种方法极大得减少了计算量和存储开销但保证了大模型在多个任务上的复用性。
为什么需要PEFTWhy do we need PEFT?
扩展性挑战
大规模预训练模型如GPT、BERT或ViT拥有大量参数。为每个具体任务全参微调这些模型不仅耗费大量计算量同时需要巨大的存储资源这些资源往往难以承担。
提升迁移学习效率
PEFT很好地利用了预训练模型在通用任务上的能力同时提升了模型在具体任务上的表现。同时PEFT能减少过拟合并提供更好的通用型。
PEFT如何工作How does PEFT work?
1. 冻结大部人预训练模型的参数
2. 修改或添加小部份参数
3. 模型训练时只修改小部份参数即可
PEFT方法分类
Additive PEFT加性微调在模型特定位置添加可学习的模块或参数。如Adapters、Prompt-Tuning
Selective PEFT选择性微调在微调过程只更新模型中的一部份参数保持其余参数固定。如BitFit、HyperNetworks
Reparameterization PEFT重参数化微调构建原始模型参数的低秩表示在训练过程中增加可学习参数以实现高效微调。如LoRA (Low-Rank Adaptation)、Prefix-Tuning Prefix Tuning
Prefix Tuning在每个Transformer Block层加入Prefix Learnable ParameterEmbedding层这些前缀作为特定任务的上下文预训练模型的参数保持冻结。相当于在seq_len维度中加上特定个数的token。
class LoRA(nn.Module):def __init__(self, original_dim, low_rank):super().__init__()self.low_rank_A nn.Parameter(torch.randn(original_dim, low_rank)) # Low-rank matrix Aself.low_rank_B nn.Parameter(torch.randn(low_rank, original_dim)) # Low-rank matrix Bdef forward(self, x, original_weight):# x: Input tensor [batch_size, seq_len, original_dim]# original_weight: The frozen weight matrix [original_dim, original_dim]# LoRA weight updatelora_update torch.matmul(self.low_rank_A, self.low_rank_B) # [original_dim, original_dim]# Combined weight: frozen LoRA updateadapted_weight original_weight lora_update# Forward passoutput torch.matmul(x, adapted_weight) # [batch_size, seq_len, original_dim]return output
但Prefix Tuning在需要更深层次模型调整的任务上表现较差。 Adapters
Adapters是较小的可训练的插入在预训练模型层之间的模块。每个Adapter由一个下采样模块一个非线性激活和一个上采样模块组层。预训练模型参数保持冻结adapters用于捕捉具体任务的知识。 基于MindSpore的模型微调
环境需求2.3.0-cann 8.0.rc1-py 3.9-euler 2.10.7-aarch64-snt9b-20240525100222-259922e
Prefix-Tuning 安装mindNLP
pip install mindnlp加载依赖
# 模块导入 and 参数初始化
import os
import mindspore
from mindnlp.transformers import AutoModelForSeq2SeqLM
# peft相关依赖
from mindnlp.peft import get_peft_config, get_peft_model, get_peft_model_state_dict, PrefixTuningConfig, TaskTypefrom mindnlp.dataset import load_dataset
from mindnlp.core import opsfrom mindnlp.transformers import AutoTokenizer
from mindnlp.common.optimization import get_linear_schedule_with_warmup
from tqdm import tqdm# 演示模型 t5-small
model_name_or_path t5-small
tokenizer_name_or_path t5-small
checkpoint_name financial_sentiment_analysis_prefix_tuning_v1.ckptmax_length 128
lr 1e-2
num_epochs 5
batch_size 8 通过mindnlp.peft库加载模型并进行prefix配置
# Prefix-Tuning参数设置以及配置模型
peft_config PrefixTuningConfig(task_typeTaskType.SEQ_2_SEQ_LM, inference_modeFalse, num_virtual_tokens20)
# 加载预训练模型
model AutoModelForSeq2SeqLM.from_pretrained(model_name_or_path)
# 加载加入prefix后的模型
model get_peft_model(model, peft_config)model.print_trainable_parameters()
加载、预处理数据集
# 微调 t5 for 金融情感分析
# input: 金融短句
# output: 情感类别
# 由于华为云无法连接huggingface因此需要先本地下载再上传至华为云
mindspore.dataset.config.set_seed(123)
# loading dataset
dataset load_dataset(financial_phrasebank, cache_dir/home/ma-user/work/financial_phrasebank/)train_dataset, validation_dataset dataset.shuffle(64).split([0.9, 0.1])classes dataset.source.ds.features[label].names
# 将标签号映射为文本
def add_text_label(sentence, label):return sentence, label, classes[label.item()]
# 输入为两列输出为三列
train_dataset train_dataset.map(add_text_label, [sentence, label], [sentence, label, text_label])
validation_dataset validation_dataset.map(add_text_label, [sentence, label], [sentence, label, text_label])# 加载t5模型的分词器
tokenizer AutoTokenizer.from_pretrained(model_name_or_path)# tokenize 输入和text_label
import numpy as np
from mindnlp.dataset import BaseMapFunction
from threading import Lock
# 线程锁
lock Lock()class MapFunc(BaseMapFunction):def __call__(self, sentence, label, text_label):lock.acquire()model_inputs tokenizer(sentence, max_lengthmax_length, paddingmax_length, truncationTrue)labels tokenizer(text_label, max_length2, paddingmax_length, truncationTrue)lock.release()# 提取 labels 中的 input_ids# 这些 ID 实际上是模型词汇表中相应单词或子词单元的位置索引。# 因此input_ids 是一个整数列表代表了输入文本序列经过分词和编码后的结果它可以直接作为模型的输入。labels labels[input_ids]# 将 labels 中的填充标记替换为 -100这是常见的做法用于告诉损失函数忽略这些位置。labels np.where(np.equal(labels, tokenizer.pad_token_id), -100, lables)return model_inputs[input_ids], model_inputs[attention_mask], labelsdef get_dataset(dataset, tokenizer, shuffleTrue):input_colums[sentence, label, text_label]output_columns[input_ids, attention_mask, labels]dataset dataset.map(MapFunc(input_colums, output_columns),input_colums, output_columns)if shuffle:dataset dataset.shuffle(64)dataset dataset.batch(batch_size)return datasettrain_dataset get_dataset(train_dataset, tokenizer)
eval_dataset get_dataset(validation_dataset, tokenizer, shuffleFalse)
进行微调训练
# 初始化优化器和学习策略
from mindnlp.core import optimoptimizer optim.AdamW(model.trainable_params(), lrlr)# 动态学习率
lr_scheduler get_linear_schedule_with_warmup(optimizeroptimizer,num_warmup_steps0,num_training_steps(len(train_dataset) * num_epochs),
)from mindnlp.core import value_and_graddef forward_fn(**batch):outputs model(**batch)loss outputs.lossreturn lossgrad_fn value_and_grad(forward_fn, model.trainable_params())for epoch in range(num_epochs):model.set_train()total_loss 0train_total_size train_dataset.get_dataset_size()for step, batch in enumerate(tqdm(train_dataset.create_dict_iterator(), totaltrain_total_size)):optimizer.zero_grad()loss grad_fn(**batch)optimizer.step()total_loss loss.float()lr_scheduler.step()model.set_train(False)eval_loss 0eval_preds []eval_total_size eval_dataset.get_dataset_size()for step, batch in enumerate(tqdm(eval_dataset.create_dict_iterator(), totaleval_total_size)):with mindspore._no_grad():outputs model(**batch)loss outputs.losseval_loss loss.float()eval_preds.extend(tokenizer.batch_decode(ops.argmax(outputs.logits, -1).asnumpy(), skip_special_tokensTrue))# 验证集losseval_epoch_loss eval_loss / len(eval_dataset)eval_ppl ops.exp(eval_epoch_loss)# 测试集losstrain_epoch_loss total_loss / len(train_dataset)train_ppl ops.exp(train_epoch_loss)print(f{epoch}: {train_ppl} {train_epoch_loss} {eval_ppl} {eval_epoch_loss})
模型评估
# 模型评估
correct 0
total 0ground_truth []correct 0
total 0ground_truth []for pred, data in zip(eval_preds, validation_dataset.create_dict_iterator(output_numpyTrue)):true str(data[text_label])ground_truth.append(true)if pred.strip() true.strip():correct 1total 1
accuracy correct / total * 100
print(f{accuracy} % on the evaluation dataset)
print(f{eval_preds[:10]})
print(f{ground_truth[:10]})
模型保存
# 模型保存
# saving model
peft_model_id f{model_name_or_path}_{peft_config.peft_type}_{peft_config.task_type}
model.save_pretrained(peft_model_id)
加载模型进行推理
# 加载模型并推理
from mindnlp.peft import PeftModel, PeftConfigconfig PeftConfig.from_pretrained(peft_model_id)
model AutoModelForSeq2SeqLM.from_pretrained(config.base_model_name_or_path)
model PeftModel.from_pretrained(model, peft_model_id)model.set_train(False)example next(validation_dataset.create_dict_iterator(output_numpyTrue))
print(input, example[sentence])
print(example[text_label])
inputs tokenizer(example[text_label], return_tensorsms)with mindspore._no_grad():outputs model.generate(input_idsinputs[input_ids], max_new_tokens10)print(tokenizer.batch_decode(outputs.numpy(), skip_special_tokensTrue)) BitFit
BitFit需要冻结除Bias外的所有参数只训练Bias参数。
for n, p in model.named_parameters():if bias not in n:p.requires_grad Falseelse:p.requires_grad True
其余数据预处理代码和训练代码与上述相同。
LoRA
LoRALow Rank Adaptation专注于学习一个低秩矩阵。通过在冻结的预训练权重中添加可学习的低秩矩阵。在前向传递过程中冻结的权重和新的低秩矩阵参与计算。
低秩矩阵指的是相较于原矩阵秩更低的矩阵。加入一个矩阵的形状为m x n矩阵的秩最多为min(m, n)低秩矩阵的秩数远远小于原本的m和n。
LoRA微调不更新原本m x n的权重矩阵转而更新更小的低秩矩阵A(m, r), B(r, n)。假设W0为512x512低秩矩阵的r则可以为16这样需要更新的数据只需要512x1616x51216384相较于原来的512x512262144少了93.75%。
LoRA实现的基本思路代码
class LoRA(nn.Module):def __init__(self, original_dim, low_rank):super().__init__()self.low_rank_A nn.Parameter(torch.randn(original_dim, low_rank)) # Low-rank matrix Aself.low_rank_B nn.Parameter(torch.randn(low_rank, original_dim)) # Low-rank matrix Bdef forward(self, x, original_weight):# x: Input tensor [batch_size, seq_len, original_dim]# original_weight: The frozen weight matrix [original_dim, original_dim]# LoRA weight updatelora_update torch.matmul(self.low_rank_A, self.low_rank_B) # [original_dim, original_dim]# Combined weight: frozen LoRA updateadapted_weight original_weight lora_update# Forward passoutput torch.matmul(x, adapted_weight) # [batch_size, seq_len, original_dim]return output LoRA的MindSpore实现
# creating model
# r 控制适应层的秩lora_alpha 是缩放因子而 lora_dropout 定义了在训练期间应用于 LoRA 参数的 dropout 率。
# 缩放因子用于控制低秩矩阵对模型参数更新的影响程度。
peft_config LoraConfig(task_typeTaskType.SEQ_2_SEQ_LM, inference_modeFalse, r8, lora_alpha32, lora_dropout0.1)model AutoModelForSeq2SeqLM.from_pretrained(model_name_or_path)
model get_peft_model(model, peft_config)
model.print_trainable_parameters()
其余数据预处理代码和训练代码与上述相同。
更多内容可以参考mindspore的官方视频
【第二课】昇腾MindSporeMindSpore NLP极简风的大模型微调实战_哔哩哔哩_bilibili
