Hugging Face 的 logo

PEFT 文档

正交微调 (OFT 和 BOFT)

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

正交微调 (OFT 和 BOFT)

本概念指南简要概述了 OFT 和 BOFT，这是一种参数高效的微调技术，它利用正交矩阵来乘法变换预训练的权重矩阵。

为了实现高效的微调，OFT 使用正交变换来表示权重更新。正交变换由一个正交矩阵参数化，该矩阵乘以预训练的权重矩阵。这些新矩阵可以训练以适应新数据，同时保持整体变化数量较低。原始权重矩阵保持冻结状态，不再进行任何进一步的调整。为了生成最终结果，原始权重和适应权重相乘。

正交蝶形 (BOFT) 使用蝶形分解对 OFT 进行泛化，并进一步提高了其参数效率和微调灵活性。简而言之，OFT 可以视为 BOFT 的特例。与使用加性低秩权重更新的 LoRA 不同，BOFT 使用乘法正交权重更新。下面的表格展示了比较。

与 LoRA 相比，BOFT 有一些优势

  • BOFT 提出了一种简单而通用的方法，用于将预训练模型微调到下游任务，从而更好地保留预训练知识并提高参数效率。
  • 通过正交性，BOFT 引入了一个结构约束，即在微调过程中保持 超球面能量 不变。这可以有效减少对预训练知识的遗忘。

  • BOFT 使用蝴蝶分解 (butterfly factorization) 来高效地参数化正交矩阵，从而产生一个紧凑且表达能力强的学习空间（即假设类）。
  • BOFT 中的稀疏矩阵分解引入了额外的归纳偏差，这有利于泛化。

原则上，BOFT 可以应用于神经网络中任何权重矩阵的子集，以减少可训练参数的数量。给定注入 BOFT 参数的目标层，可训练参数的数量可以根据权重矩阵的大小确定。

将 OFT/BOFT 权重合并到基础模型中

与 LoRA 类似，OFT/BOFT 学习到的权重可以使用 `merge_and_unload()` 函数集成到预训练的权重矩阵中。此函数将适配器权重与基础模型合并，使您可以有效地将新合并的模型用作独立模型。

这是因为在训练期间，正交权重矩阵（上图中的 R）和预训练的权重矩阵是分开的。但是，一旦训练完成，这些权重实际上就可以合并（相乘）成一个新的等效权重矩阵。

OFT / BOFT 的实用程序

PEFT 中常见的 OFT / BOFT 参数

与 PEFT 支持的其他方法一样，要使用 OFT 或 BOFT 微调模型，您需要

  1. 实例化一个基础模型。
  2. 创建一个配置（`OFTConfig` 或 `BOFTConfig`），在其中定义 OFT/BOFT 特定的参数。
  3. 使用 `get_peft_model()` 包装基础模型以获得可训练的 `PeftModel`。
  4. 像往常一样训练 `PeftModel`，就像训练基础模型一样。

BOFT 特定参数

BOFTConfig 允许您通过以下参数控制如何将 OFT/BOFT 应用于基础模型

  • boft_block_size：不同层之间的 BOFT 矩阵块大小，以 `int` 表示。较小的块大小会导致更新矩阵更稀疏，可训练参数更少。**注意**，请选择 `boft_block_size` 使其能够被大多数层的输入维度（`in_features`）整除，例如 4、8、16。此外，请仅指定 `boft_block_size` 或 `boft_block_num`，而不是同时指定两者或将两者都留为 0，因为 `boft_block_size` x `boft_block_num` 必须等于层的输入维度。
  • boft_block_num：不同层之间的 BOFT 矩阵块的数量，以 `int` 表示。较少的块会导致更新矩阵更稀疏，可训练参数更少。**注意**，请选择 `boft_block_num` 使其能够被大多数层的输入维度（`in_features`）整除，例如 4、8、16。此外，请仅指定 `boft_block_size` 或 `boft_block_num`，而不是同时指定两者或将两者都留为 0，因为 `boft_block_size` x `boft_block_num` 必须等于层的输入维度。
  • boft_n_butterfly_factor：蝴蝶因子的数量。**注意**，对于 `boft_n_butterfly_factor=1`，BOFT 与普通 OFT 相同；对于 `boft_n_butterfly_factor=2`，OFT 的有效块大小变为原来的两倍，块的数量减半。
  • bias：指定是否应训练 `bias` 参数。可以是 `"none"`、`"all"` 或 `"boft_only"`。
  • boft_dropout：指定乘法 dropout 的概率。
  • target_modules：要注入 OFT/BOFT 矩阵的模块（例如，注意力块）。
  • modules_to_save：除了 OFT/BOFT 矩阵之外，要设置为可训练并在最终检查点中保存的模块列表。这些通常包括为微调任务随机初始化的模型自定义头部。

BOFT 使用示例

有关 BOFT 方法应用于各种下游任务的示例，请参阅以下指南

查看以下有关如何使用 BOFT 微调模型的分步指南

对于图像分类任务，可以为 DinoV2 模型初始化 BOFT 配置，如下所示

import transformers
from transformers import AutoModelForSeq2SeqLM, BOFTConfig
from peft import BOFTConfig, get_peft_model

config = BOFTConfig(
    boft_block_size=4,
    boft_n_butterfly_factor=2,
    target_modules=["query", "value", "key", "output.dense", "mlp.fc1", "mlp.fc2"],
    boft_dropout=0.1,
    bias="boft_only",
    modules_to_save=["classifier"],
)

model = transformers.Dinov2ForImageClassification.from_pretrained(
    "facebook/dinov2-large",
    num_labels=100,
)

boft_model = get_peft_model(model, config)
< > 在 GitHub 上更新

←IA3 AutoPeftModel→