Transformers 文档

Mamba 2

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

PyTorch

Mamba 2

Mamba 2 基于状态空间对偶 (SSD) 框架,该框架连接了结构化状态空间模型 (SSM) 和注意力变体。它使用更高效的 SSD 算法,比 Mamba 快 2-8 倍,并修改了架构以支持张量并行和分组值注意力 (GVA) 头结构。

你可以在 State Space Models 组织下找到所有原始的 Mamba 2 checkpoint,但下面显示的示例使用了 mistralai/Mamba-Codestral-7B-v0.1,因为原始 checkpoint 尚不支持 Hugging Face 实现。

点击右侧边栏中的 Mamba 模型,查看更多如何将 Mamba 应用于不同语言任务的示例。

下面的示例演示了如何使用 PipelineAutoModel 以及从命令行生成文本。

hfoptions id=“usage”>

<hfoption id="Pipeline">
import torch
from transformers import pipeline

pipeline = pipeline(
    task="text-generation",
    model="mistralai/Mamba-Codestral-7B-v0.1",
    torch_dtype=torch.bfloat16,
    device=0
)
pipeline("Plants create energy through a process known as")
</hfoption> <hfoption id="AutoModel">
import torch  
from transformers import AutoModelForCausalLM, AutoTokenizer  

tokenizer = AutoTokenizer.from_pretrained("mistralai/Mamba-Codestral-7B-v0.1")
model = AutoModelForCausalLM.from_pretrained("mistralai/Mamba-Codestral-7B-v0.1", torch_dtype=torch.bfloat16, device_map="auto")  
input_ids = tokenizer("Plants create energy through a process known as", return_tensors="pt").to("cuda")  

output = model.generate(**input_ids)  
print(tokenizer.decode(output[0], skip_special_tokens=True))
</hfoption> <hfoption id="transformers CLI">
echo -e "Plants create energy through a process known as" | transformers-cli run --task text-generation --model mistralai/Mamba-Codestral-7B-v0.1 --device 0
</hfoption> </hfoptions>

量化通过以较低精度表示权重来减少大型模型的内存负担。有关更多可用量化后端,请参阅量化概述。

下面的示例使用 torchao 仅将权重量子化为 4 位整数。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TorchAoConfig

quantization_config = TorchAoConfig("int4_weight_only", group_size=128)
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mamba-Codestral-7B-v0.1")
model = AutoModelForCausalLM.from_pretrained("mistralai/Mamba-Codestral-7B-v0.1", torch_dtype=torch.bfloat16, quantization_config=quantization_config, device_map="auto")
input_ids = tokenizer("Plants create energy through a process known as", return_tensors="pt").to("cuda")

output = model.generate(**input_ids)
print(tokenizer.decode(output[0], skip_special_tokens=True))

说明

  • Codestral Mamba 有 groups=8,这类似于基于注意力的模型中的 kv 头的数量。

  • Codestral Mamba 有两个不同的前向传播过程,torch_forwardcuda_kernels_forward,它们的结果预计会略有不同。

    • 未编译的 torch_forwardcuda_kernels_forward 快 3-4 倍。
    • cuda_kernels_forward 在环境中可用时会使用原始的 CUDA 内核。它在预填充(prefill)阶段较慢,因为它需要一次“预热运行”,这是由于较高的 CPU 开销(更多细节请参见这些评论)。
  • 此模型中没有位置嵌入,但在两个地方有一个 attention_mask 和特定的逻辑来掩码隐藏状态,用于批处理生成(更多细节请参见此评论)。这(以及重新实现的 Mamba 2 内核的增加)导致批处理和缓存生成之间存在轻微差异。

  • SSM 算法严重依赖张量收缩,它有等效的矩阵乘法,但操作顺序略有不同。这使得在较小精度下的差异更大。

  • 与填充标记相对应的隐藏状态在两个地方被关闭,并且主要使用左填充进行测试。右填充会向下传播噪声,不能保证产生满意的结果。tokenizer.padding_side = "left" 确保你使用正确的填充侧。

  • 以下示例演示了如何使用 PEFT 对 Mamba 2 进行微调。

from datasets import load_dataset
from peft import LoraConfig
from trl import SFTConfig, SFTTrainer

model_id = "mistralai/Mamba-Codestral-7B-v0.1"
dataset = load_dataset("Abirate/english_quotes", split="train")
training_args = SFTConfig(dataset_text_field="quote", gradient_checkpointing=True, per_device_train_batch_size=4)
lora_config =  LoraConfig(target_modules=["x_proj", "embeddings", "in_proj", "out_proj"])
trainer = SFTTrainer(
    model=model_id,
    args=training_args,
    train_dataset=dataset,
    peft_config=lora_config,
)
trainer.train()

Mamba2Config

class transformers.Mamba2Config

< >

( num_heads = 128 head_dim = 64 vocab_size = 32768 hidden_size = 4096 state_size = 128 num_hidden_layers = 64 layer_norm_epsilon = 1e-05 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 expand = 2 conv_kernel = 4 n_groups = 8 use_bias = False use_conv_bias = True hidden_act = 'silu' initializer_range = 0.1 residual_in_fp32 = True time_step_rank = 'auto' time_step_min = 0.001 time_step_max = 0.1 time_step_floor = 0.0001 time_step_limit = (0.0, inf) rescale_prenorm_residual = False use_cache = True rms_norm = True chunk_size = 256 tie_word_embeddings = False **kwargs )

参数

  • num_heads (int,可选,默认为 128) — Mamba 2 演化矩阵的头数。
  • head_dim (int,可选,默认为 64) — 每个头的维度。
  • vocab_size (int,可选,默认为 32768) — MAMBA2 模型的词汇表大小。定义了在调用 Mamba2Model 时,可以通过 inputs_ids 表示的不同标记的数量。
  • hidden_size (int,可选,默认为 4096) — 嵌入和隐藏状态的维度。
  • state_size (int,可选,默认为 128) — 状态空间潜变量的形状。
  • num_hidden_layers (int,可选,默认为 64) — 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 值。
  • pad_token_id (int,可选,默认为 1) — 填充标记的 ID。
  • bos_token_id (int,可选,默认为 0) — 词汇表中句子开头标记的 ID。
  • eos_token_id (int,可选,默认为 2) — 词汇表中句子结尾标记的 ID。
  • expand (int,可选,默认为 2) — 用于确定中间大小的扩展因子。
  • conv_kernel (int,可选,默认为 4) — 卷积核的大小。
  • n_groups (int,可选,默认为 8) — Mamba 2 演化矩阵的组数。
  • use_bias (bool,可选,默认为 False) — 是否在混合器块的 [“in_proj”, “out_proj”] 中使用偏置。
  • use_conv_bias (bool,可选,默认为 True) — 是否在混合器块的卷积层中使用偏置。
  • hidden_act (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)。
  • initializer_range (float,可选,默认为 0.1) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • residual_in_fp32 (bool,可选,默认为 True) — 残差是否应为 float32。如果设置为 False,残差将保持与模型其余部分相同的 dtype
  • time_step_rank (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)
  • time_step_min (float,可选,默认为 0.001) — 用于限制 dt_proj.bias 的最小 time_step
  • time_step_max (float,可选,默认为 0.1) — 用于限制 dt_proj.bias 的最大 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。
  • time_step_limit (tuple,可选,默认为 (0.0, inf)) — 接受的时间步值范围。
  • rescale_prenorm_residual (bool,可选,默认为 False) — 初始化时是否重新缩放 out_proj 权重。
  • use_cache (bool,可选,默认为 True) — 是否应使用缓存。
  • rms_norm (bool, 可选, 默认为 True) — 是否使用 RMS 归一化。
  • chunk_size (int, 可选, 默认为 256) — 构成序列的块的大小。
  • tie_word_embeddings (bool, 可选, 默认为 False) — 是否绑定词嵌入。

这是一个用于存储 Mamba2Model 配置的配置类。它根据指定的参数实例化一个 MAMBA2 模型,定义了模型的架构。使用默认值实例化配置将产生与 MAMBA2 state-spaces/mamba2-2.8b 架构类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。

示例

>>> from transformers import Mamba2Config, Mamba2Model

>>> # Initializing a Mamba2 configuration
>>> configuration = Mamba2Config()

>>> # Initializing a model (with random weights) from the configuration
>>> model = Mamba2Model(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Mamba2Model

class transformers.Mamba2Model

< >

( config )

参数

  • config (Mamba2Model) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法来加载模型权重。

裸 Mamba2 模型,输出原始的隐藏状态,顶部没有任何特定的头。

该模型继承自 PreTrainedModel。请查看超类的文档,了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头等)。

该模型也是一个 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.LongTensor] = None cache_params: typing.Optional[transformers.models.mamba2.modeling_mamba2.Mamba2Cache] = None use_cache: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None **kwargs ) transformers.models.mamba2.modeling_mamba2.Mamba2Outputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • inputs_embeds (torch.LongTensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,你可以不传递 input_ids,而是直接传递嵌入表示。如果你想比模型内部的嵌入查找矩阵更能控制如何将 input_ids 索引转换为关联向量,这会非常有用。
  • cache_params (Mamba2Cache, 可选) — 如果传递该参数,模型将在所有块中使用先前的状态(这将给出所提供 input_ids 的输出,就好像模型将 state_input_ids + input_ids 作为上下文一样)。
  • use_cache (bool, 可选) — 如果设置为 True,将返回 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。有关更多详细信息,请参阅返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是返回一个 ModelOutput 而不是一个普通的元组。
  • cache_position (torch.LongTensor,形状为 (batch_size,)可选) — 当前输入在缓存中的位置。这用于确保缓存被正确更新。如果传递了 cache_params,也应传递 cache_position
  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示标记未被遮盖
    • 0 表示标记被遮盖

    什么是注意力掩码?

返回

transformers.models.mamba2.modeling_mamba2.Mamba2Outputtuple(torch.FloatTensor)

一个 transformers.models.mamba2.modeling_mamba2.Mamba2Output 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(Mamba2Config)和输入,包含各种元素。

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor, 可选,默认为 None) — 模型最后一层输出的隐藏状态序列。

  • cache_params (~models.mamba2.modeling_mamba2.Mamba2Cache, 可选, 默认为 None) — 模型在最后一个时间步的状态。可以在前向方法中使用下一个 input_ids,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, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入层的输出,另外每个层一个输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

Mamba2Model 的 forward 方法,重写了 __call__ 特殊方法。

尽管前向传递的逻辑需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理前处理和后处理步骤,而后者会静默地忽略它们。

Mamba2LMHeadModel

class transformers.Mamba2ForCausalLM

< >

( config )

参数

  • config (Mamba2ForCausalLM) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法来加载模型权重。

MAMBA2 模型,其顶部带有一个语言建模头(线性层,权重与输入嵌入不绑定)。

该模型继承自 PreTrainedModel。请查看超类的文档,了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头等)。

该模型也是一个 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None cache_params: typing.Optional[transformers.models.mamba2.modeling_mamba2.Mamba2Cache] = None labels: typing.Optional[torch.LongTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None use_cache: typing.Optional[bool] = None cache_position: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None **kwargs ) transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,你可以不传递 input_ids,而是直接传递嵌入表示。如果你想比模型内部的嵌入查找矩阵更能控制如何将 input_ids 索引转换为关联向量,这会非常有用。
  • cache_params (Mamba2Cache, 可选) — 如果传递该参数,模型将在所有块中使用先前的状态(这将给出所提供 input_ids 的输出,就好像模型将 state_input_ids + input_ids 作为上下文一样)。
  • labels (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 用于语言建模的标签。请注意,标签在模型内部会进行移位,即你可以设置 labels = input_ids。索引在 [-100, 0, ..., config.vocab_size] 中选择。所有设置为 -100 的标签都会被忽略(遮盖),损失仅对 [0, ..., config.vocab_size] 中的标签进行计算。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是返回一个 ModelOutput 而不是一个普通的元组。
  • use_cache (bool, 可选) — 如果设置为 True,将返回 cache_params,可用于快速生成下一个 logits。
  • cache_position (torch.LongTensor,形状为 (batch_size,)可选) — 当前输入在缓存中的位置。这用于确保缓存被正确更新。如果传递了 cache_params,也应传递 cache_position
  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示标记未被遮盖
    • 0 表示标记被遮盖

    什么是注意力掩码?

返回

transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutputtuple(torch.FloatTensor)

一个 transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(Mamba2Config)和输入,包含各种元素。

  • 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 token 预测)。

  • logits (形状为 (batch_size, sequence_length, config.vocab_size)torch.FloatTensor) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。

  • cache_params (~models.mamba2.modeling_mamba2.Mamba2Cache, 可选, 默认为 None) — 模型在最后一个时间步的状态。可以在前向方法中使用下一个 input_ids,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, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入层的输出,另外每个层一个输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

Mamba2ForCausalLM 的 forward 方法,重写了 __call__ 特殊方法。

尽管前向传递的逻辑需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理前处理和后处理步骤,而后者会静默地忽略它们。

示例

< > 在 GitHub 上更新