LoHa

低秩哈达玛积（LoHa），类似于 LoRA，但它使用更多低秩矩阵来近似大型权重矩阵，并使用哈达玛积将它们组合起来。这种方法比 LoRA 更加参数高效，并且可以实现相当的性能。

论文摘要如下：

在这项工作中，我们提出了一种通信效率高的参数化方法 FedPara，用于联邦学习 (FL)，以克服频繁模型上传和下载带来的负担。我们的方法使用低秩权重，然后进行 Hadamard 积，对层的权重参数进行重新参数化。与传统的低秩参数化方法相比，我们的 FedPara 方法不受低秩约束的限制，因此具有更大的容量。此属性使 FedPara 方法能够在通信成本比原始层模型低 3 到 10 倍的情况下，实现相当的性能，这是传统低秩方法无法实现的。通过与其他高效的 FL 优化器相结合，可以进一步提高我们方法的效率。此外，我们将我们的方法扩展到个性化 FL 应用程序 pFedPara，它将参数分为全局参数和局部参数。我们证明 pFedPara 在参数数量少于竞争的个性化 FL 方法三倍以上的情况下，表现优于其他方法。.

LoHaConfig

class peft.LoHaConfig

< source >

( peft_type: Union = None auto_mapping: Optional = None base_model_name_or_path: Optional = None revision: Optional = None task_type: Union = None inference_mode: bool = False rank_pattern: Optional[dict] = <factory> alpha_pattern: Optional[dict] = <factory> r: int = 8 alpha: int = 8 rank_dropout: float = 0.0 module_dropout: float = 0.0 use_effective_conv2d: bool = False target_modules: Union = None init_weights: bool = True layers_to_transform: Union = None layers_pattern: Optional = None modules_to_save: Optional = None )

参数

r (int) — LoHa 秩。
alpha (int) — LoHa 缩放的 alpha 参数。
rank_dropout (float) — 训练期间秩维度的丢弃概率。
module_dropout (float) — 训练期间禁用 LoHa 模块的丢弃概率。
use_effective_conv2d (bool) — 对 ksize > 1 的 Conv2d 使用参数有效分解（FedPara 论文中的“命题 3”）。
target_modules (Optional[Union[List[str], str]]) — 要应用适配器的模块名称。如果指定了此参数，则只会替换指定名称的模块。传递字符串时，将执行正则表达式匹配。传递字符串列表时，将执行精确匹配，或者检查模块名称是否以传递的任何字符串结尾。如果将此参数指定为“all-linear”，则将选择所有线性/Conv1D 模块，但不包括输出层。如果未指定此参数，则将根据模型架构选择模块。如果未知架构，则将引发错误 - 在这种情况下，您应该手动指定目标模块。
init_weights (bool) — 是否执行适配器权重的初始化。默认为 True，不建议传递 False。
layers_to_transform (Union[List[int], int]) — 要转换的层索引。如果传递的是整数列表，则会将适配器应用于此列表中指定的层索引。如果传递的是单个整数，则会将转换应用于此索引处的层。
layers_pattern (str) — 层模式名称，仅在 layers_to_transform 与 None 不同时使用。
rank_pattern (dict) — 将层名称或正则表达式映射到等级，这些等级不同于 r 指定的默认等级。
alpha_pattern (dict) — 将层名称或正则表达式映射到 alpha，这些 alpha 不同于 alpha 指定的默认 alpha。
modules_to_save (Optional[List[str]]) — 除适配器层之外，在最终检查点中设置为可训练且保存的模块列表。

这是一个配置类，用于存储 LoHaModel 的配置。

LoHaModel

class peft.LoHaModel

< source >

( model config adapter_name low_cpu_mem_usage: bool = False ) → torch.nn.Module

参数

model (torch.nn.Module) — 将适配器调谐层附加到的模型。
config (LoHaConfig) — LoHa 模型的配置。
low_cpu_mem_usage (bool, optional, defaults to False) — 在元设备上创建空的适配器权重。有助于加快加载过程。

返回值

torch.nn.Module

LoHa 模型。

从预训练模型创建低秩哈达玛积模型。该方法在 https://arxiv.org/abs/2108.06098 中部分描述。当前的实现大量借鉴了 https://github.com/KohakuBlueleaf/LyCORIS/blob/eb460098187f752a5d66406d3affade6f0a07ece/lycoris/modules/loha.py

示例

>>> from diffusers import StableDiffusionPipeline
>>> from peft import LoHaModel, LoHaConfig

>>> config_te = LoHaConfig(
...     r=8,
...     lora_alpha=32,
...     target_modules=["k_proj", "q_proj", "v_proj", "out_proj", "fc1", "fc2"],
...     rank_dropout=0.0,
...     module_dropout=0.0,
...     init_weights=True,
... )
>>> config_unet = LoHaConfig(
...     r=8,
...     lora_alpha=32,
...     target_modules=[
...         "proj_in",
...         "proj_out",
...         "to_k",
...         "to_q",
...         "to_v",
...         "to_out.0",
...         "ff.net.0.proj",
...         "ff.net.2",
...     ],
...     rank_dropout=0.0,
...     module_dropout=0.0,
...     init_weights=True,
...     use_effective_conv2d=True,
... )

>>> model = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
>>> model.text_encoder = LoHaModel(model.text_encoder, config_te, "default")
>>> model.unet = LoHaModel(model.unet, config_unet, "default")

属性:

model (~torch.nn.Module) — 要适应的模型。
peft_config (LoHaConfig): LoHa 模型的配置。

< > 在 GitHub 上更新

PEFT

LoHa

LoHaConfig

class peft.LoHaConfig

LoHaModel

class peft.LoHaModel