Mamba
概述
Mamba 模型在 Mamba: Linear-Time Sequence Modeling with Selective State Spaces 中由 Albert Gu 和 Tri Dao 提出。
该模型是一种基于 state-space-models 的新型范式架构。您可以了解更多关于这些模型背后的直觉 这里。
论文中的摘要如下
基础模型现在为深度学习中大多数令人兴奋的应用程序提供支持，几乎普遍地基于 Transformer 架构及其核心注意力模块。许多亚二次时间架构，如线性注意力、门控卷积和循环模型以及结构化状态空间模型 (SSM)，已被开发出来以解决 Transformer 在长序列上的计算效率低下的问题，但它们在语言等重要模态上的表现不如注意力好。我们发现这类模型的关键弱点是它们无法执行基于内容的推理，并做了几项改进。首先，简单地让 SSM 参数成为输入的函数可以解决它们在离散模态中的弱点，允许模型根据当前标记在序列长度维度上选择性地传播或忘记信息。其次，尽管这种改变阻止了使用高效卷积，但我们设计了一种硬件感知的循环模式下的并行算法。我们将这些选择性 SSM 集成到一个简化的端到端神经网络架构中，该架构没有注意力甚至 MLP 块 (Mamba)。Mamba 享有快速的推理（比 Transformer 的吞吐量高 5 倍）并且在序列长度上线性扩展，并且它的性能在长达百万长度的序列的真实数据上得到了改进。作为通用的序列模型主干，Mamba 在语言、音频和基因组学等多种模态上取得了最先进的性能。在语言建模方面，我们的 Mamba-3B 模型超越了相同规模的 Transformer，并且与 Transformer 两倍大小的 Transformer 相匹配，无论是在预训练还是在下游评估中。
提示
- Mamba 是一种新的
state space model架构，与经典的 Transformer 相媲美。它基于结构化状态空间模型的进展路线，在 FlashAttention 的精神下，具有高效的硬件感知设计和实现。 - Mamba 堆叠
mixer层，这些层相当于Attention层。mamba的核心逻辑在MambaMixer类中。 - 两个实现并存：一个经过优化并使用快速 cuda 内核，另一个是朴素的，但可以在任何设备上运行！
- 当前实现利用了原始的 cuda 内核：Mamba 的等效 flash attention 位于
mamba-ssm和causal_conv1d存储库中。如果您的硬件支持它们，请确保安装它们！ - 欢迎为使朴素路径更快做出贡献 🤗
使用方法
一个简单的生成示例：
from transformers import MambaConfig, MambaForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
model = MambaForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
input_ids = tokenizer("Hey how are you doing?", return_tensors= "pt")["input_ids"]
out = model.generate(input_ids, max_new_tokens=10)
print(tokenizer.batch_decode(out))Peft 微调
慢速版本对于训练不是很稳定，快速版本需要 float32 ！
from datasets import load_dataset
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments
model_id = "state-spaces/mamba-130m-hf"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
dataset = load_dataset("Abirate/english_quotes", split="train")
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=4,
logging_dir='./logs',
logging_steps=10,
learning_rate=2e-3
)
lora_config = LoraConfig(
r=8,
target_modules=["x_proj", "embeddings", "in_proj", "out_proj"],
task_type="CAUSAL_LM",
bias="none"
)
trainer = SFTTrainer(
model=model,
tokenizer=tokenizer,
args=training_args,
peft_config=lora_config,
train_dataset=dataset,
dataset_text_field="quote",
)
trainer.train()MambaConfig
class transformers.MambaConfig
< 源代码 >( vocab_size = 50280 hidden_size = 768 state_size = 16 num_hidden_layers = 32 layer_norm_epsilon = 1e-05 pad_token_id = 0 bos_token_id = 0 eos_token_id = 0 expand = 2 conv_kernel = 4 use_bias = False use_conv_bias = True hidden_act = 'silu' initializer_range = 0.1 residual_in_fp32 = True time_step_rank = 'auto' time_step_scale = 1.0 time_step_min = 0.001 time_step_max = 0.1 time_step_init_scheme = 'random' time_step_floor = 0.0001 rescale_prenorm_residual = False use_cache = True use_mambapy = False **kwargs )
参数
- vocab_size (
int, 可选, 默认为 50280) — MAMBA 模型的词汇量大小。定义调用 MambaModel 时可以传递的inputs_ids可表示的不同 token 数量。 - hidden_size (
int, 可选, 默认为 768) — 嵌入和隐藏状态的维度。 - state_size (
int, 可选, 默认为 16) — 状态空间隐变量的形状。 - num_hidden_layers (
int, 可选, 默认为 32) — 模型中的隐藏层数量。 - layer_norm_epsilon (
float, 可选, 默认为 1e-05) — 层归一化层中使用的 epsilon。 - pad_token_id (
int, 可选, 默认为 0) — 填充 token id。 - bos_token_id (
int, 可选, 默认为 0) — 词汇表中句首 token 的 id。 - eos_token_id (
int, 可选, 默认为 0) — 词汇表中句尾 token 的 id。 - 扩展 (
int, 可选, 默认为 2) — 用于确定中间大小的扩展因子。 - 卷积核 (
int, 可选, 默认为 4) — 卷积核的大小。 - 使用偏差 (
bool, 可选, 默认为False) — 是否在混合器块的 [“in_proj”, “out_proj”] 中使用偏差。 - 使用卷积偏差 (
bool, 可选, 默认为True) — 是否在混合器块的卷积层中使用偏差。 - 隐藏激活 (
str, 可选, 默认为"silu") — 解码器中的非线性激活函数（函数或字符串）。 - 初始化范围 (
float, 可选, 默认为 0.1) — 初始化所有权重矩阵的截断正态分布初始化的标准差。 - 残差使用 FP32 (
bool, 可选, 默认为True) — 残差是否应该使用float32。如果设置为False，残差将保持与模型其余部分相同的dtype。 - 时间步长秩 (
Union[int,str], 可选, 默认为"auto") — 离散化投影矩阵的秩。"auto"表示它将默认为math.ceil(self.hidden_size / 16)。 - 时间步长缩放 (
float, 可选, 默认为 1.0) — 用于缩放dt_proj.bias的缩放比例。 - 时间步长最小值 (
float, 可选, 默认为 0.001) — 用于绑定dt_proj.bias的最小time_step。 - time_step_floor (
float, 可选, 默认为 0.0001) —dt_proj.bias层初始化的最小钳位值。 - rescale_prenorm_residual (
bool, 可选, 默认为False) — 初始化时是否对out_proj权重进行重新缩放。 - use_cache (
bool, 可选, 默认为True) — 是否应使用缓存。 - use_mambapy (
bool, 可选, 默认为False) — 如果 CUDA 的 MAMBA 官方实现不可用，则确定训练期间的回退策略。如果为True，则使用 mamba.py 实现。如果为False，则使用朴素且速度较慢的实现。如果内存有限，请考虑切换到朴素版本。
这是一个配置类，用于存储 MambaModel 的配置。它用于根据指定的参数实例化一个 MAMBA 模型，定义模型架构。使用默认值实例化配置将产生类似于 MAMBA state-spaces/mamba-2.8b 架构的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关详细信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import MambaConfig, MambaModel
>>> # Initializing a Mamba configuration
>>> configuration = MambaConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = MambaModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configMambaModel
class transformers.MambaModel
< 源代码 >( config )
参数
- config (MambaConfig) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重，只会加载配置。查看 from_pretrained() 方法以加载模型权重。
不带任何特定头的基本 MAMBA 模型 transformer，输出原始隐藏状态。
该模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头等）。
该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与一般使用和行为有关的所有事项。
forward
< 源代码 >( input_ids: 可选 = None inputs_embeds: 可选 = None cache_params: 可选 = None use_cache: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None cache_position: 可选 = None **kwargs ) → transformers.models.mamba.modeling_mamba.MambaOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor形状为(batch_size, input_ids_length)) — 词汇表中输入序列标记的索引。如果
cache_params.seqlen_offset>0，只有其过去未计算的input_ids应作为input_ids传递。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您想要对如何将input_ids索引转换为关联向量进行更多控制，而不是模型的内部嵌入查找矩阵，这将很有用。 - cache_params (
MambaCache，可选) — 如果传递，模型将在所有块中使用先前状态（这将给出input_ids的输出，就好像模型添加state_input_ids + input_ids作为上下文一样）。 - use_cache (
bool，可选) — 如果设置为True，则返回cache_params，可用于快速生成下一个 logits。 - output_hidden_states (
bool，可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量下的hidden_states。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (
torch.LongTensor形状为(sequence_length)，可选) — 指示输入序列标记在序列中位置的索引。与position_ids相反，该张量不受填充的影响。它用于在正确位置更新缓存并推断完整的序列长度。
返回
transformers.models.mamba.modeling_mamba.MambaOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.mamba.modeling_mamba.MambaOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (MambaConfig) 和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出处的隐藏状态序列。 -
cache_params (
MambaCache) — 模型在最后时间步的状态。可以在带有下一个input_ids的正向方法中使用，以避免提供旧的input_ids。包括选择性扫描后的状态空间模型状态矩阵和卷积状态
-
hidden_states (
tuple(torch.FloatTensor)，可选，在传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入的输出，如果模型具有嵌入层，加一个用于每一层的输出），形状为(batch_size, sequence_length, hidden_size)。每一层模型输出的隐藏状态，加上可选的初始嵌入输出。
MambaModel 正向方法重写了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数中定义，但应事后调用 Module 实例而不是此实例，因为前者负责运行预处理和后处理步骤，而后者则会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, MambaModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
>>> model = MambaModel.from_pretrained("state-spaces/mamba-130m-hf")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_stateMambaLMHeadModel
类 transformers.MambaForCausalLM
< 源代码 >( config )
参数
- config (MambaConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只会加载配置。查看 from_pretrained() 方法加载模型权重。
MAMBA 模型转换器，顶部有一个语言建模头（与输入嵌入绑定的线性层）。
该模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头等）。
该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与一般使用和行为有关的所有事项。
forward
< 源代码 >( input_ids: Optional = None inputs_embeds: Optional = None cache_params: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None use_cache: Optional = None cache_position: Optional = None **kwargs ) → transformers.models.mamba.modeling_mamba.MambaCausalLMOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor形状为(batch_size, input_ids_length)) — 输入序列 token 在词汇表中的索引。如果
cache_params.seqlen_offset>0，则只应将没有计算过去状态的input_ids作为input_ids传入。可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
- inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传入嵌入表示，而不是传入input_ids。如果您想要对如何将input_ids索引转换为关联的向量进行更多控制，而不是模型内部的嵌入查找矩阵，这将非常有用。 - cache_params (
MambaCache, 可选) — 如果传入，则模型会使用所有块中的先前状态（这将给出input_ids的输出，就好像模型添加了state_input_ids + input_ids作为上下文一样）。 - use_cache (
bool, 可选) — 如果设置为True，则返回cache_params，可用于快速生成下一个 logits。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。查看返回的张量中的hidden_states获取更多详细信息。 - return_dict (
bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。 - cache_position (
torch.LongTensor形状为(sequence_length), 可选) — 指示输入序列标记在序列中的位置的索引。与position_ids相反，此张量不受填充的影响。它用于在正确的位置更新缓存并推断完整的序列长度。 - labels (
torch.LongTensor形状为(batch_size, sequence_length), 可选) — 语言建模的标签。请注意，标签在模型内部是移位的，即您可以设置labels = input_ids索引在[-100, 0, ..., config.vocab_size]中选择。所有设置为-100的标签都将被忽略（掩盖），损失仅针对[0, ..., config.vocab_size]中的标签计算。
返回
transformers.models.mamba.modeling_mamba.MambaCausalLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.mamba.modeling_mamba.MambaCausalLMOutput 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (MambaConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor形状为(1,), 可选，当提供labels时返回) — 语言建模损失（用于下一个令牌预测）。 -
logits (
torch.FloatTensor形状为(batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。 -
cache_params (
MambaCache) — 模型在最后时间步的状态。可以在带有下一个input_ids的正向方法中使用，以避免提供旧的input_ids。包括选择性扫描后的状态空间模型状态矩阵和卷积状态
-
hidden_states (
tuple(torch.FloatTensor)，可选，在传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入的输出，如果模型具有嵌入层，加一个用于每一层的输出），形状为(batch_size, sequence_length, hidden_size)。每一层模型输出的隐藏状态，加上可选的初始嵌入输出。
The MambaForCausalLM forward 方法，覆盖了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数中定义，但应事后调用 Module 实例而不是此实例，因为前者负责运行预处理和后处理步骤，而后者则会静默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoTokenizer, MambaForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
>>> model = MambaForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits