LoHa

低秩 Hadamard 积 (LoHa) 类似于 LoRA，不同之处在于它使用更多的低秩矩阵来近似大型权重矩阵，并将它们与 Hadamard 积结合起来。这种方法比 LoRA 具有更高的参数效率，并能实现相当的性能。

论文摘要如下

在这项工作中，我们提出了一种通信高效的参数化方法 FedPara 用于联邦学习 (FL)，以克服频繁模型上传和下载的负担。我们的方法使用低秩权重，然后使用 Hadamard 积，重新参数化层的权重参数。与传统的低秩参数化相比，我们的 FedPara 方法不受低秩约束的限制，因此具有更大的容量。这一特性使得它在需要比原始层模型低 3 到 10 倍的通信成本的情况下，仍能实现相当的性能，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 pFedPara，它将参数分为全局参数和局部参数。我们表明，pFedPara 的性能优于竞争的个性化 FL 方法，且参数数量减少了三倍以上.

LoHaConfig

class peft.LoHaConfig

< source >

( task_type: typing.Union[str, peft.utils.peft_types.TaskType, NoneType] = None peft_type: typing.Union[str, peft.utils.peft_types.PeftType, NoneType] = None auto_mapping: typing.Optional[dict] = None base_model_name_or_path: typing.Optional[str] = None revision: typing.Optional[str] = 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: Optional[Union[list[str], str]] = None exclude_modules: Optional[Union[list[str], str]] = None init_weights: bool = True layers_to_transform: Optional[Union[list[int], int]] = None layers_pattern: Optional[Union[list[str], str]] = None modules_to_save: Optional[list[str]] = 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 dropout 概率。
module_dropout (float) — 训练期间禁用 LoHa 模块的 dropout 概率。
use_effective_conv2d (bool) — 对 ksize > 1 的 Conv2d 使用参数有效分解（来自 FedPara 论文的“命题 3”）。
target_modules (Optional[Union[List[str], str]]) — 要应用适配器的模块名称。如果指定了此项，则只会替换具有指定名称的模块。当传递字符串时，将执行正则表达式匹配。当传递字符串列表时，将执行完全匹配，或者检查模块的名称是否以任何传递的字符串结尾。如果指定为 '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，则将根据模型架构选择模块。如果架构未知，则会引发错误——在这种情况下，您应该手动指定目标模块。
exclude_modules (Optional[Union[List[str], str]]) — 不应用适配器的模块名称。当传递字符串时，将执行正则表达式匹配。当传递字符串列表时，将执行完全匹配，或者检查模块的名称是否以任何传递的字符串结尾。
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。如果传递单个整数，则会将转换应用于此索引处的层。
layers_pattern (Optional[Union[List[str], str]]) — 层模式名称，仅当 layers_to_transform 与 None 不同时使用。这应以模型的 nn.ModuleList 为目标，该模块通常称为 'layers' 或 'h'。
rank_pattern (dict) — 从层名称或正则表达式到与 r 指定的默认秩不同的秩的映射。例如， {'^model.decoder.layers.0.encoder_attn.k_proj': 16}。
alpha_pattern (dict) — 从层名称或正则表达式到与 alpha 指定的默认 alpha 不同的 alpha 的映射。例如， {'^model.decoder.layers.0.encoder_attn.k_proj': 16}。
modules_to_save (Optional[List[str]]) — 除适配器层之外，要设置为可训练并在最终检查点中保存的模块列表。

这是用于存储 LoHaModel 配置的配置类。

LoHaModel

class peft.LoHaModel

< source >

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

参数

model (torch.nn.Module) — 将适配器调整器层附加到的模型。
config (LoHaConfig) — LoHa 模型的配置。
adapter_name (str) — 适配器的名称，默认为 "default"。
low_cpu_mem_usage (bool, optional, 默认为 False) — 在 meta 设备上创建空的适配器权重。有助于加速加载过程。

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) — 要适配的模型。
peft_config (LoHaConfig): LoHa 模型的配置。

< > Update on GitHub

PEFT

LoHa

LoHaConfig

class peft.LoHaConfig

LoHaModel

class peft.LoHaModel