【NLP】文本分类与LoRA
共 7331字，需浏览 15分钟
·
2024-06-22 11:00
在这篇博客中，我们逐步进行参数高效微调（Parameter Efficient Fine Tuning，简称PEFT），使用大语言模型（LLM）的低秩适配（Low Rank Adaptation，LoRA）。我们将了解如何使用参数高效微调来针对特定应用微调选定的可训练参数，以最低的成本和最少的基础设施实现这一目标。
为什么需要参数高效微调？
大语言模型（LLM）已经针对某些任务进行了预训练；我们可以在应用程序中使用LLM来执行它们已经训练过的任何任务。然而，这些LLM在我们的环境中运行需要非常昂贵的资源，因此需要参数高效微调。
假设我们能够以经济有效的方式在我们的系统上使用大语言模型。这可以通过使用PEFT库来实现，因为它允许我们单独使用LLM的一些参数。
PEFT（参数高效微调）
参数高效微调（Parameter Efficient Fine Tuning，简称PEFT）是一个库，它允许我们在不对完整模型进行微调的情况下使用大语言模型（LLM）来执行任务，而是对一些（额外的）参数进行微调。完整模型的微调通常需要昂贵的计算成本，而PEFT通过微调额外参数显著减少了计算和存储成本。
参数高效微调的优势
-
计算和存储成本降低：微调额外参数显著减少了计算和存储成本。 -
性能保持一致：与完全微调的LLM模型相比，性能没有下降。 -
适用于CPU支持的硬件：额外参数的微调使得在CPU支持的硬件上训练和存储LLM变得更加容易。 -
易于集成：PEFT与诸如transformers和diffusers等库的集成，使得加载、训练和使用LLM进行推理变得更加容易。
LoRA（低秩适配）
LoRA（Low Rank Adaptation）是一种低秩分解方法，旨在减少可训练参数的数量，从而在微调大语言模型（LLM）时降低内存消耗。通过使用LoRA，可以更加轻松地进行LLM的微调，同时显著减少所需的计算和存储资源。
在PEFT（参数高效微调）中，LoRA配置通过get_peft_model()函数封装，以创建一个可训练的PeftModel。通过调整LoraConfig中的init_lora_weights参数，可以增加或减少模型权重，从而优化模型的性能和资源消耗。
from peft import LoraConfig, get_peft_model
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
# 加载预训练的模型和分词器
model_name = "t5-small"
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
# 配置LoRA参数
lora_config = LoraConfig(
r=8, # 低秩矩阵的秩
lora_alpha=32, # LoRA的alpha参数
lora_dropout=0.1, # Dropout率
init_lora_weights=0.02 # 初始化LoRA权重
)
# 获取PEFT模型
peft_model = get_peft_model(model, lora_config)
# 对输入进行编码
input_text = "Translate English to French: The weather is nice today."
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
# 使用PEFT模型进行推理
outputs = peft_model.generate(input_ids)
output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print("Translated text:", output_text)
-
r：低秩矩阵的秩。较低的秩会减少参数数量，从而降低内存消耗。 -
lora_alpha：LoRA的alpha参数，用于调整模型的学习率。 -
lora_dropout：Dropout率，有助于防止模型过拟合。 -
init_lora_weights：初始化LoRA权重的值，可以根据需要增加或减少模型权重。
LoRA文本分类案例
-
安装依赖环境
!pip install transformers datasets evaluate accelerate peft
-
加载数据集
import torch
from transformers import RobertaModel, RobertaTokenizer, AutoModelForSequenceClassification, TrainingArguments, Trainer, DataCollatorWithPadding
from peft import LoraConfig, get_peft_model
from datasets import load_dataset
peft_model_name = 'roberta-base-peft'
modified_base = 'roberta-base-modified'
base_model = 'roberta-base'
dataset = load_dataset('ag_news')
tokenizer = RobertaTokenizer.from_pretrained(base_model)
def preprocess(examples):
tokenized = tokenizer(examples['text'], truncation=True, padding=True)
return tokenized
tokenized_dataset = dataset.map(preprocess, batched=True, remove_columns=["text"])
train_dataset=tokenized_dataset['train']
eval_dataset=tokenized_dataset['test'].shard(num_shards=2, index=0)
test_dataset=tokenized_dataset['test'].shard(num_shards=2, index=1)
# Extract the number of classess and their names
num_labels = dataset['train'].features['label'].num_classes
class_names = dataset["train"].features["label"].names
print(f"number of labels: {num_labels}")
print(f"the labels: {class_names}")
# Create an id2label mapping
# We will need this for our classifier.
id2label = {i: label for i, label in enumerate(class_names)}
data_collator = DataCollatorWithPadding(tokenizer=tokenizer, return_tensors="pt")
-
常规微调
# use the same Training args for all models
training_args = TrainingArguments(
output_dir='./results',
evaluation_strategy='steps',
learning_rate=5e-5,
num_train_epochs=1,
per_device_train_batch_size=16,
)
def get_trainer(model):
return Trainer(
model=model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
data_collator=data_collator,
)
full_finetuning_trainer = get_trainer(
AutoModelForSequenceClassification.from_pretrained(base_model, id2label=id2label),
)
full_finetuning_trainer.train()
-
LoRA微调
model = AutoModelForSequenceClassification.from_pretrained(base_model, id2label=id2label)
peft_config = LoraConfig(task_type="SEQ_CLS", inference_mode=False, r=8, lora_alpha=16, lora_dropout=0.1)
peft_model = get_peft_model(model, peft_config)
peft_model.print_trainable_parameters()
peft_lora_finetuning_trainer = get_trainer(peft_model)
peft_lora_finetuning_trainer.train()
往期精彩回顾
交流群
欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）