Adapter 注入

使用 PEFT，您可以将可训练的 Adapter 注入到任何 torch 模块中，这使您无需依赖 PEFT 中的模型类即可使用 Adapter 方法。这适用于除基于提示学习（例如前缀调优或 p-tuning）之外的所有 Adapter。

查看下表，了解何时应注入 Adapter。

优点	缺点
模型被原地修改，保留所有原始属性和方法	从 Hugging Face 手动编写 `from_pretrained` 和 `save_pretrained` 实用程序函数来保存和加载 Adapter
适用于任何 `torch` 模块和模态	不适用于 `PeftModel` 提供的任何实用程序方法，例如禁用和合并 Adapter

创建一个新的 PEFT 模型

要执行 Adapter 注入，请使用 inject_adapter_in_model() 方法。此方法接受 3 个参数：PEFT 配置、模型和一个可选的 Adapter 名称。如果使用不同的 Adapter 名称多次调用 inject_adapter_in_model()，还可以将多个 Adapter 附加到模型中。

例如，要将 LoRA Adapter 注入到 DummyModel 模块的 linear 子模块中：

import torch
from peft import inject_adapter_in_model, LoraConfig

class DummyModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.embedding = torch.nn.Embedding(10, 10)
        self.linear = torch.nn.Linear(10, 10)
        self.lm_head = torch.nn.Linear(10, 10)

    def forward(self, input_ids):
        x = self.embedding(input_ids)
        x = self.linear(x)
        x = self.lm_head(x)
        return x


lora_config = LoraConfig(
    lora_alpha=16,
    lora_dropout=0.1,
    r=64,
    bias="none",
    target_modules=["linear"],
)

model = DummyModel()
model = inject_adapter_in_model(lora_config, model)

dummy_inputs = torch.LongTensor([[0, 1, 2, 3, 4, 5, 6, 7]])
dummy_outputs = model(dummy_inputs)

打印模型以查看 Adapter 是否已正确注入。

DummyModel(
  (embedding): Embedding(10, 10)
  (linear): Linear(
    in_features=10, out_features=10, bias=True
    (lora_dropout): ModuleDict(
      (default): Dropout(p=0.1, inplace=False)
    )
    (lora_A): ModuleDict(
      (default): Linear(in_features=10, out_features=64, bias=False)
    )
    (lora_B): ModuleDict(
      (default): Linear(in_features=64, out_features=10, bias=False)
    )
    (lora_embedding_A): ParameterDict()
    (lora_embedding_B): ParameterDict()
  )
  (lm_head): Linear(in_features=10, out_features=10, bias=True)
)

基于 state_dict 的注入

有时，可能会有一个 PEFT Adapter 检查点，但由于某种原因不知道相应的 PEFT 配置。要为此检查点注入 PEFT 层，通常需要基于检查点的 state_dict 对相应的 PEFT 配置进行逆向工程，最主要的是 target_modules 参数。这可能很繁琐且容易出错。为避免这种情况，也可以调用 inject_adapter_in_model() 并将加载的 state_dict 作为参数传递：

from safetensors.torch import load_file

model = ...
state_dict = load_file(<path-to-safetensors-file>)
lora_config = LoraConfig(...)
model = inject_adapter_in_model(lora_config, model, state_dict=state_dict)

在这种情况下，PEFT 将使用 state_dict 作为目标层的参考，而不是使用 PEFT 配置。作为用户，您不必为 PEFT 配置设置确切的 target_modules 也能使其工作。但是，您仍应传递正确类型的 PEFT 配置，在此示例中为 LoraConfig，您可以将 target_modules 设置为 None。

请注意，这仍然只创建未初始化的 PEFT 层，state_dict 中的值不会用于填充模型权重。要填充权重，请继续调用如下所述的 set_peft_model_state_dict()。

⚠️ 请注意，如果 PEFT 配置中的配置与 state_dict 中发现的内容不匹配，PEFT 会警告您。如果您知道 PEFT 配置没有正确指定，可以忽略该警告。

如果原始 PEFT Adapter 使用的是 target_parameters 而不是 target_modules，那么从 state_dict 注入将无法正常工作。在这种情况下，必须使用正确的 PEFT 配置进行注入。

保存模型

要仅保存 Adapter，请使用 get_peft_model_state_dict() 函数：

from peft import get_peft_model_state_dict

peft_state_dict = get_peft_model_state_dict(model)
print(peft_state_dict)

否则，model.state_dict() 返回模型的完整状态字典。

加载模型

加载已保存的 state_dict 后，可以使用 set_peft_model_state_dict() 函数应用它：

from peft import set_peft_model_state_dict

model = DummyModel()
model = inject_adapter_in_model(lora_config, model)
outcome = set_peft_model_state_dict(model, peft_state_dict)
# check that there were no wrong keys
print(outcome.unexpected_keys)

如果注入 Adapter 的速度很慢，或者您需要加载大量的 Adapter，您可以使用一种优化方法，该方法允许在元设备上创建一个“空” Adapter，并且仅在调用 set_peft_model_state_dict() 时才用真实权重填充权重。为此，请将 low_cpu_mem_usage=True 传递给 inject_adapter_in_model() 和 set_peft_model_state_dict()。

model = DummyModel()
model = inject_adapter_in_model(lora_config, model, low_cpu_mem_usage=True)

print(model.linear.lora_A["default"].weight.device.type == "meta")  # should be True
set_peft_model_state_dict(model, peft_state_dict, low_cpu_mem_usage=True)
print(model.linear.lora_A["default"].weight.device.type == "cpu")  # should be True

< > 在 GitHub 上更新