Mamba 2
概述
Mamba2 模型由 Tri Dao 和 Albert Gu 在Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality中提出。它与 Mamba 1 类似的态空间模型,具有简化的架构和更好的性能。
本文摘要是以下内容
虽然Transformer一直是深度学习在语言建模中成功的主要架构,但最近研究表明,像Mamba这样的状态空间模型(SSM)在小到中型规模上可以匹配或超越Transformer。我们发现这些模型系列实际上相当接近,并开发了一个丰富的理论连接框架,将SSM和注意力变体的各种分解联系起来,这些分解属于一类经过充分研究的结构半可分矩阵。我们的状态空间对偶性(SSD)框架允许我们设计一个新架构(Mamba-2),其核心层是Mamba选择性SSM的改进,速度提高2-8倍,同时继续在语言建模中与Transformer保持竞争力。
提示
此版本应支持Mamba 2的所有实现,特别是来自Mistral AI的Mamba-2 codestral。特别地,Mamba 2 codestral发布时,有8个等于的group
,这可以直观地理解为与基于注意力的模型中kv头数相似。该模型有两种不同的前向传递,torch_forward
或cuda_kernels_forward
。后者如果你环境中存在原始cuda内核,将使用它们,而且在预填充上较慢,因为CPU开销高,需要“预热运行”,参见此处和此处。不进行编译时,torch_forward
实现的速度要快3到4倍。此外,该模型中没有位置嵌入,但有attention_mask
和在批量生成情况下的两种特定逻辑,以掩蔽隐藏状态,参见此处。因此,除了重新实现mamba2内核外,批量生成和缓存生成也可能略有差异。此外,cuda内核或torch forward产生的结果可能略有不同。SSM算法严重依赖于张量收缩,它们有矩阵乘法等效的表达,但操作顺序略有不同,这在小精度下使差异更大。另一个要注意的是,与填充令牌对应的隐藏状态的关闭在两个地方进行,主要是与左填充一起进行测试。右填充会向下传播噪声,并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方向。
该模型由Molbap贡献,得益于Anton Vlasjuk的巨大帮助。原始代码可在此处找到。
使用方法
简单生成示例:
from transformers import MambaConfig, MambaForCausalLM, AutoTokenizer
import torch
model_id = 'mistralai/Mamba-Codestral-7B-v0.1'
tokenizer = AutoTokenizer.from_pretrained(model_id, revision='refs/pr/9', from_slow=True, legacy=False)
model = MambaForCausalLM.from_pretrained(model_id, revision='refs/pr/9')
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))
以下是微调的草案脚本
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoTokenizer, Mamba2ForCausalLM, TrainingArguments
model_id = 'mistralai/Mamba-Codestral-7B-v0.1'
tokenizer = AutoTokenizer.from_pretrained(model_id, revision='refs/pr/9', from_slow=True, legacy=False)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "left" #enforce padding side left
model = Mamba2ForCausalLM.from_pretrained(model_id, revision='refs/pr/9')
dataset = load_dataset("Abirate/english_quotes", split="train")
# Without CUDA kernels, batch size of 2 occupies one 80GB device
# but precision can be reduced.
# Experiments and trials welcome!
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=2,
logging_dir='./logs',
logging_steps=10,
learning_rate=2e-3
)
lora_config = LoraConfig(
r=8,
target_modules=["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()
Mamba2Config
类 transformers.Mamba2Config
< 源码 >( 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 norm_before_gate = 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进化的矩阵的头数。 - 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模型的词汇量。定义了调用Mamba2Model时通过传递可以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。 - 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) — 词汇表中句子开始标记的 ID。 - eos_token_id (
int
, 可选, 默认为 2) — 词汇表中句子结束标记的 ID。 - expand (
int
, 可选, 默认为 2) — 用于确定中间尺寸的扩展因子。 - conv_kernel (
int
, 可选, 默认为 4) — 卷积核的尺寸。 - n_groups (
int
, 可选, 默认为 8) — Mamba 2 的演化矩阵的组数。 - use_bias (
bool
, 可选, 默认为False
) — [“in_proj”, “out_proj”] 的混合块是否使用偏置。 - use_conv_bias(《布尔值》,可选,默认为
True
)— 是否在混合模块的卷积层中使用偏置。 - hidden_act(《字符串》可选,默认为
"silu"
)— 解码器的非线性激活函数(函数或字符串)。 - initializer_range(《浮点数》,可选,默认为0.1)— 用于初始化所有权重矩阵的截断正态初始化器的标准差。
- residual_in_fp32 (
bool
, 可选,默认为True
) — 是否将残差保存在float32
格式。如果设置为False
,残差将保持与其他模型部分相同的dtype
格式 - time_step_rank (
Union[int,str]
, 可选,默认为"auto"
) — 离散投影矩阵的秩。"auto"
表示将默认为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(《浮点型》,可选,默认为0.1)—— 限制使用的最大
time_step
值,用于界定dt_proj.bias
。 - time_step_floor(《浮点型》,可选,默认为0.0001)——
dt_proj.bias
层初始化的最小限制值。 - time_step_limit(《元组》,可选,默认为
(0.0, inf)
)—— 可接受的时间步长值范围。 - rescale_prenorm_residual(《布尔型》,可选,默认为
False
)—— 在初始化时是否缩放out_proj
权重。 - use_cache (
bool
, 可选, 默认为True
) — 是否使用缓存。 - norm_before_gate (
bool
, 可选, 默认为True
) — 选项cuda内核 -是否在门之前进行归一化。 - 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) — 将组成序列的块的大小。 - tie_word_embeddings (
bool
, 可选, 默认为False
) — 是否将词嵌入绑定。
这是存储 Mamba2Model 配置的配置类。它用于根据指定的参数实例化 MAMBA2 模型,定义模型架构。使用默认值实例化的配置将生成与 MAMBA2 state-spaces/mamba2-2.8b 架构相似的配置。
配置对象继承自 PretrainedConfig 并可用于控制模型输出。有关更多信息,请参阅 PretrainedConfig 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
< source >( config )
参数
- config (Mamba2Config) — 模型配置类,包含模型的全部参数。使用配置文件初始化不会加载模型关联的权重,只有配置。请查看 from_pretrained() 方法来加载模型权重。
仅输出原始隐藏状态的裸MAMBA2模型变换器,未在顶部添加任何特定头。
此模型继承自 PreTrainedModel。请查看超类文档,了解库为所有模型实现的基础方法(如下载或保存、调整输入嵌入大小、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。可将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以了解所有关于通用使用和行为的问题。
forward
< 来源 >( 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 attention_mask: 可选 = None **kwargs ) → transformers.models.mamba2.modeling_mamba2.Mamba2Output
or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, input_ids_length)
) — 输入序列令牌在词汇表中的索引。如果
cache_params.seqlen_offset>0
,则仅传递未计算过过去的input_ids
。索引可以通过使用 AutoTokenizer 获得。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)— 可以选择直接传递嵌入表示,而不是传递input_ids
。这在需要比模型内部嵌入查找矩阵有更多控制权来将input_ids
索引转换为相关向量时非常有用。 - cache_params (
Mamba2Cache
,可选)— 如果传入,模型将使用所有块的前一个状态(这将给出input_ids
提供的输出,就像模型添加state_input_ids + input_ids
作为上下文一样)。 - use_cache (
bool
,可选)— 如果设置为True
,将返回cache_params
以供快速生成下一个 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) — 是否返回 ModelOutput 而不是普通元组。
返回结果
transformers.models.mamba2.modeling_mamba2.Mamba2Output
或 tuple(torch.FloatTensor)
A 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),包含根据配置(Mamba2Config)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 (
Mamba2Cache
) — 模型在最后一步的状态。可用于在下一个input_ids
的 forward 方法中使用,以避免提供老的input_ids
。包含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,如果在传递output_hidden_states=True
时返回或者当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,另一个用于每层的输出),形状为(batch_size, sequence_length, hidden_size)
。每层输出处的隐藏状态以及可选的初始嵌入输出。
The Mamba2Model forward 方法覆盖了特殊的 __call__
方法。
虽然需要在函数中定义前向传递的配方,但应该调用 Module
实例之后的,而不是这个,因为前者负责运行前处理和后处理步骤,而后者默默地忽略了它们。
示例
>>> from transformers import AutoTokenizer, Mamba2Model
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> model = Mamba2Model.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
Mamba2LMHeadModel
类 transformers.Mamba2ForCausalLM
< 源代码 >( config )
参数
- 配置 (Mamba2Config) — 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关联的权重,只加载配置。查看 from_pretrained() 方法来加载模型权重。
MAMBA2 模型变压器,顶部带有一个语言建模头(线性层,权重未与输入嵌入绑定)。
此模型继承自 PreTrainedModel。请查看超类文档,了解库为所有模型实现的基础方法(如下载或保存、调整输入嵌入大小、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。可将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以了解所有关于通用使用和行为的问题。
forward
< source >( 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 attention_mask: Optional = None **kwargs ) → transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutput
or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, input_ids_length)
) — 输入序列标记在词汇表中的索引。如果
cache_params.seqlen_offset>0
,只有尚未计算过的input_ids
应该作为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)
,可选项) — 可以选择直接传递嵌入表示,而不是传递input_ids
。当您想要比模型内部嵌入查找矩阵更多的控制来转换input_ids
索引到相关向量时,这将非常有用。 - cache_params(《Mamba2Cache》,可选项) — 如果传递,则模型将在所有模块中使用先前状态(这将给出提供的
input_ids
的输出,好像模型添加了state_input_ids + input_ids
作为上下文)。 - use_cache(《bool》,可选项) — 如果设置为
True
,则会返回cache_params
并且可以用它快速生成下一个 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,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,可选)— 是否返回ModelOutput而不是普通的元组。 - labels (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选)— 语言模型的标签。注意,模型内部标签是偏移的,即您可以将labels = input_ids
。索引从[-100, 0, ..., config.vocab_size]
中选择。所有设置为-100
的标签将被忽略(掩码),仅对[0, ..., config.vocab_size]
中的标签计算损失。
返回结果
transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutput
或tuple(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)包含根据配置(Mamba2Config)和输入的各种元素。
-
loss(
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回)— 语言模型损失(用于下一词预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(在SoftMax之前每个词汇的分数)。 -
cache_params (
Mamba2Cache
) — 模型在最后一步的状态。可用于在下一个input_ids
的 forward 方法中使用,以避免提供老的input_ids
。包含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,如果在传递output_hidden_states=True
时返回或者当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,另一个用于每层的输出),形状为(batch_size, sequence_length, hidden_size)
。每层输出处的隐藏状态以及可选的初始嵌入输出。
Mamba2ForCausalLM 的前向方法覆盖了 __call__
特殊方法。
虽然需要在函数中定义前向传递的配方,但应该调用 Module
实例之后的,而不是这个,因为前者负责运行前处理和后处理步骤,而后者默默地忽略了它们。
示例
>>> import torch
>>> from transformers import AutoTokenizer, Mamba2ForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> model = Mamba2ForCausalLM.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits