IA3
译者：片刻小哥哥
项目地址：https://huggingface.apachecn.org/docs/peft/conceptual_guides/ia3
本概念指南简要概述了 IA3 ，一种参数有效的微调技术 旨在改进 洛拉 。
为了使微调更加高效，IA3（Infused Adapter by Inhibiting and Amplifying Inner Activations） 使用学习到的向量重新调整内部激活。这些学习到的向量被注入注意力和前馈模块中 在典型的基于变压器的架构中。这些学习到的向量是微调过程中唯一可训练的参数，因此原始向量 重量保持冻结状态。处理学习向量（与 LoRA 等权重矩阵的学习低秩更新相反） 使可训练参数的数量少得多。
与 LoRA 类似，IA3 具有许多相同的优点：
- IA3 通过大幅减少可训练参数的数量，使微调更加高效。 （对于 T0，IA3 模型只有大约 0.01% 的可训练参数，而即使 LoRA 也有 > 0.1%）
- 原始预训练权重保持冻结，这意味着您可以拥有多个轻量级便携式 IA3 模型，用于在其之上构建的各种下游任务。
- 使用 IA3 微调的模型的性能与完全微调的模型的性能相当。
- IA3 不会添加任何推理延迟，因为适配器权重可以与基本模型合并。
原则上，IA3 可以应用于神经网络中权重矩阵的任何子集，以减少可训练的数量 参数。根据作者的实现，IA3 权重被添加到键、值和前馈层 Transformer 模型的一部分。具体来说，对于 Transformer 模型，IA3 权重添加到键层和值层的输出以及第二前馈层的输入 在每个变压器块中。
给定注入 IA3 参数的目标层，可训练参数的数量 可以根据权重矩阵的大小来确定。
PEFT中常用的IA3参数
与 PEFT 支持的其他方法一样，要使用 IA3 微调模型，您需要：
- 实例化基础模型。
- 创建配置（
IA3配置)，您可以在其中定义 IA3 特定的参数。 - 将基础模型包裹起来
get_peft_model()获得可训练的佩夫特模型。 - 训练
佩夫特模型就像您通常训练基本模型一样。
IA3配置
允许您通过以下参数控制 IA3 如何应用于基础模型：
目标模块：应用 IA3 向量的模块（例如，注意力块）。前馈模块：被视为前馈层的模块列表目标模块。当学习到的向量乘以 注意块的输出激活，向量与经典前馈层的输入相乘。注意前馈模块必须是一个子集目标模块。要保存的模块：除了 IA3 层之外的模块列表，要设置为可训练并保存在最终检查点中。这些通常包括模型的自定义头，该头是为微调任务随机初始化的。
用法示例
对于序列分类任务，可以按如下方式初始化 Llama 模型的 IA3 配置：
peft_config = IA3Config(
task_type=TaskType.SEQ_CLS, target_modules=["k\_proj", "v\_proj", "down\_proj"], feedforward_modules=["down\_proj"]
)
