适配器注入

使用 PEFT，您可以在任何torch 模块中注入可训练的适配器，这使您能够使用适配器方法，而无需依赖 PEFT 中的建模类。目前，PEFT 支持将 LoRA、AdaLoRA 和 IA3 注入模型，因为对于这些适配器来说，模型的原地修改足以对其进行微调。

请查看下表以了解何时应注入适配器。

优点	缺点
模型原地修改，保留所有原始属性和方法	手动编写 Hugging Face 的`from_pretrained` 和`save_pretrained` 实用程序函数以保存和加载适配器
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，例如禁用和合并适配器

创建新的 PEFT 模型

要执行适配器注入，请使用 inject_adapter_in_model() 方法。此方法接受三个参数：PEFT 配置、模型和可选的适配器名称。您还可以通过多次调用 inject_adapter_in_model()（使用不同的适配器名称）将多个适配器附加到模型。

例如，要将 LoRA 适配器注入 DummyModel 模块的 linear 子模块

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)

打印模型以查看适配器是否已正确注入。

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)
)

保存模型

要只保存适配器，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() 将返回模型的完整状态字典。

加载模型

加载保存的 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)

如果注入适配器速度很慢或您需要加载大量适配器，则可以使用一项优化，它允许在元设备上创建“空”适配器，并且只有在调用 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