IA3

IA3 将模型的激活值（自注意力和编码器-解码器注意力块中的键和值，以及位置感知前馈网络的中间激活值）乘以三个学习到的向量。这种 PEFT 方法引入的可训练参数数量甚至少于 LoRA，LoRA 引入的是权重矩阵而不是向量。原始模型的参数保持冻结，只有这些向量被更新。因此，针对新的下游任务进行微调的速度更快、成本更低且效率更高。

本指南将向您展示如何使用 IA3 训练一个序列到序列模型，以根据一些金融新闻生成情感。

对序列到序列训练的一般过程有一定的了解将非常有帮助，并能让您专注于如何应用 IA3。如果您是新手，我们建议您先查看 Transformers 文档中的翻译和摘要指南。准备就绪后，回来看看将 PEFT 应用到您的训练中是多么容易！

数据集

您将使用 financial_phrasebank 数据集的 sentences_allagree 子集。此子集包含金融新闻，且所有标注者对情感标签都达成 100% 的一致意见。查看数据集查看器，以便更好地了解您将要处理的数据和句子。

使用 load_dataset 函数加载数据集。数据集的此子集仅包含训练集拆分，因此使用 train_test_split 函数创建训练集和验证集拆分。创建一个新的 text_label 列，以便更容易理解 label 值 0、1 和 2 的含义。

from datasets import load_dataset

ds = load_dataset("financial_phrasebank", "sentences_allagree")
ds = ds["train"].train_test_split(test_size=0.1)
ds["validation"] = ds["test"]
del ds["test"]

classes = ds["train"].features["label"].names
ds = ds.map(
    lambda x: {"text_label": [classes[label] for label in x["label"]]},
    batched=True,
    num_proc=1,
)

ds["train"][0]
{'sentence': 'It will be operated by Nokia , and supported by its Nokia NetAct network and service management system .',
 'label': 1,
 'text_label': 'neutral'}

加载分词器并创建一个预处理函数，该函数

将输入进行分词，并将序列填充和截断到 max_length
对标签应用相同的分词器，但使用与标签对应的较短 max_length
屏蔽填充标记

from transformers import AutoTokenizer

text_column = "sentence"
label_column = "text_label"
max_length = 128

tokenizer = AutoTokenizer.from_pretrained("bigscience/mt0-large")

def preprocess_function(examples):
    inputs = examples[text_column]
    targets = examples[label_column]
    model_inputs = tokenizer(inputs, max_length=max_length, padding="max_length", truncation=True, return_tensors="pt")
    labels = tokenizer(targets, max_length=3, padding="max_length", truncation=True, return_tensors="pt")
    labels = labels["input_ids"]
    labels[labels == tokenizer.pad_token_id] = -100
    model_inputs["labels"] = labels
    return model_inputs

使用 map 函数将预处理函数应用于整个数据集。

processed_ds = ds.map(
    preprocess_function,
    batched=True,
    num_proc=1,
    remove_columns=ds["train"].column_names,
    load_from_cache_file=False,
    desc="Running tokenizer on dataset",
)

创建一个训练和评估 DataLoader，如果数据集样本在 CPU 上，则设置 pin_memory=True 以加快训练期间数据传输到 GPU 的速度。

from torch.utils.data import DataLoader
from transformers import default_data_collator

train_ds = processed_ds["train"]
eval_ds = processed_ds["validation"]

batch_size = 8

train_dataloader = DataLoader(
    train_ds, shuffle=True, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True
)
eval_dataloader = DataLoader(eval_ds, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True)

模型

现在，您可以加载一个预训练模型，将其用作 IA3 的基础模型。本指南使用 bigscience/mt0-large 模型，但您可以使用任何您喜欢的序列到序列模型。

from transformers import AutoModelForSeq2SeqLM

model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/mt0-large")

PEFT 配置和模型

所有 PEFT 方法都需要一个配置，其中包含并指定了 PEFT 方法应如何应用的所有参数。使用 IA3Config 创建一个任务类型并将其推理模式设置为 False。您可以在 API 参考中找到此配置的其他参数。

调用 print_trainable_parameters() 方法以比较 PeftModel 的可训练参数数量与基础模型中的参数数量！

设置配置后，将其与基础模型一起传递给 get_peft_model() 函数，以创建一个可训练的 PeftModel。

from peft import IA3Config, get_peft_model

peft_config = IA3Config(task_type="SEQ_2_SEQ_LM")
model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
"trainable params: 282,624 || all params: 1,229,863,936 || trainable%: 0.022980103060766553"

训练

设置优化器和学习率调度器。

import torch
from transformers import get_linear_schedule_with_warmup

lr = 8e-3
num_epochs = 3

optimizer = torch.optim.AdamW(model.parameters(), lr=lr)
lr_scheduler = get_linear_schedule_with_warmup(
    optimizer=optimizer,
    num_warmup_steps=0,
    num_training_steps=(len(train_dataloader) * num_epochs),
)

将模型移动到 GPU 并创建一个训练循环，该循环报告每个 epoch 的损失和困惑度。

from tqdm import tqdm

device = "cuda"
model = model.to(device)

for epoch in range(num_epochs):
    model.train()
    total_loss = 0
    for step, batch in enumerate(tqdm(train_dataloader)):
        batch = {k: v.to(device) for k, v in batch.items()}
        outputs = model(**batch)
        loss = outputs.loss
        total_loss += loss.detach().float()
        loss.backward()
        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()

    model.eval()
    eval_loss = 0
    eval_preds = []
    for step, batch in enumerate(tqdm(eval_dataloader)):
        batch = {k: v.to(device) for k, v in batch.items()}
        with torch.no_grad():
            outputs = model(**batch)
        loss = outputs.loss
        eval_loss += loss.detach().float()
        eval_preds.extend(
            tokenizer.batch_decode(torch.argmax(outputs.logits, -1).detach().cpu().numpy(), skip_special_tokens=True)
        )

    eval_epoch_loss = eval_loss / len(eval_dataloader)
    eval_ppl = torch.exp(eval_epoch_loss)
    train_epoch_loss = total_loss / len(train_dataloader)
    train_ppl = torch.exp(train_epoch_loss)
    print(f"{epoch=}: {train_ppl=} {train_epoch_loss=} {eval_ppl=} {eval_epoch_loss=}")

分享您的模型

训练完成后，您可以使用 push_to_hub 方法将模型上传到 Hub。您需要先登录您的 Hugging Face 帐户，并在提示时输入您的令牌。

from huggingface_hub import notebook_login

account = <your-hf-account-name>
peft_model_id = f"{account}/mt0-large-ia3"
model.push_to_hub(peft_model_id)

推理

要加载用于推理的模型，请使用 from_pretrained() 方法。我们还可以从数据集中加载一句金融新闻，以生成其情感。

from peft import AutoPeftModelForSeq2SeqLM

model = AutoPeftModelForSeq2SeqLM.from_pretrained("<your-hf-account-name>/mt0-large-ia3").to("cuda")
tokenizer = AutoTokenizer.from_pretrained("bigscience/mt0-large")

i = 15
inputs = tokenizer(ds["validation"][text_column][i], return_tensors="pt")
print(ds["validation"][text_column][i])
"The robust growth was the result of the inclusion of clothing chain Lindex in the Group in December 2007 ."

调用 generate 方法以生成预测的情感标签。

with torch.no_grad():
    inputs = {k: v.to(device) for k, v in inputs.items()}
    outputs = model.generate(input_ids=inputs["input_ids"], max_new_tokens=10)
    print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True))
['positive']

< > GitHub 更新