使用自定义模型
译者：片刻小哥哥
项目地址：https://huggingface.apachecn.org/docs/peft/developer_guides/custom_models
原始地址：https://huggingface.co/docs/peft/developer_guides/custom_models
一些微调技术（例如提示调整）特定于语言模型。这意味着在 🤗 PEFT 中，它是 假设正在使用 🤗 Transformers 模型。然而，其他微调技术 - 例如 LoRA - 不限于特定型号。
在本指南中，我们将了解 LoRA 如何应用于多层感知器和计算机视觉模型 蒂姆 图书馆。
多层感知器
假设我们想要使用 LoRA 微调多层感知器。这是定义：
from torch import nn
class MLP(nn.Module):
def \_\_init\_\_(self, num\_units\_hidden=2000):
super().__init__()
self.seq = nn.Sequential(
nn.Linear(20, num_units_hidden),
nn.ReLU(),
nn.Linear(num_units_hidden, num_units_hidden),
nn.ReLU(),
nn.Linear(num_units_hidden, 2),
nn.LogSoftmax(dim=-1),
)
def forward(self, X):
return self.seq(X)
这是一个简单的多层感知器，具有输入层、隐藏层和输出层。
对于这个玩具示例，我们选择了大量的隐藏单元来突出效率增益 来自 PEFT，但这些收益与更现实的例子相符。
该模型中有一些线性层可以使用 LoRA 进行调整。使用常见的 🤗 变形金刚时 模型中，PEFT 会知道将 LoRA 应用到哪些层，但在这种情况下，由我们作为用户来选择层。 要确定要调整的层的名称：
print([(n, type(m)) for n, m in MLP().named_modules()])
这应该打印：
[('', __main__.MLP),
('seq', torch.nn.modules.container.Sequential),
('seq.0', torch.nn.modules.linear.Linear),
('seq.1', torch.nn.modules.activation.ReLU),
('seq.2', torch.nn.modules.linear.Linear),
('seq.3', torch.nn.modules.activation.ReLU),
('seq.4', torch.nn.modules.linear.Linear),
('seq.5', torch.nn.modules.activation.LogSoftmax)]
假设我们要将 LoRA 应用于输入层和隐藏层，这些是
'seq.0'
和
'seq.2'
。而且，
假设我们想要在没有 LoRA 的情况下更新输出层，那就是
'seq.4'
。相应的配置将
是：
from peft import LoraConfig
config = LoraConfig(
target_modules=["seq.0", "seq.2"],
modules_to_save=["seq.4"],
)
这样，我们就可以创建 PEFT 模型并检查训练参数的比例：
from peft import get_peft_model
model = MLP()
peft_model = get_peft_model(model, config)
peft_model.print_trainable_parameters()
# prints trainable params: 56,164 || all params: 4,100,164 || trainable%: 1.369798866581922
最后，我们可以使用任何我们喜欢的训练框架，或者编写我们自己的拟合循环来训练
peft_model
。
有关完整的示例，请查看 本笔记本 。
蒂姆模型
这 蒂姆 库包含大量预训练的计算机视觉模型。 这些也可以通过 PEFT 进行微调。让我们看看这在实践中是如何运作的。
首先，确保 Python 环境中安装了 timm：
python -m pip install -U timm
接下来我们为图像分类任务加载 timm 模型：
import timm
num_classes = ...
model_id = "timm/poolformer\_m36.sail\_in1k"
model = timm.create_model(model_id, pretrained=True, num_classes=num_classes)
同样，我们需要决定将 LoRA 应用到哪些层。由于 LoRA 支持 2D 转换层，并且由于 这些是该模型的主要构建块，我们应该将 LoRA 应用于 2D 转换层。来识别姓名 这些层，让我们看看所有层的名称：
print([(n, type(m)) for n, m in MLP().named_modules()])
这将打印一个很长的列表，我们只显示前几个：
[('', timm.models.metaformer.MetaFormer),
('stem', timm.models.metaformer.Stem),
('stem.conv', torch.nn.modules.conv.Conv2d),
('stem.norm', torch.nn.modules.linear.Identity),
('stages', torch.nn.modules.container.Sequential),
('stages.0', timm.models.metaformer.MetaFormerStage),
('stages.0.downsample', torch.nn.modules.linear.Identity),
('stages.0.blocks', torch.nn.modules.container.Sequential),
('stages.0.blocks.0', timm.models.metaformer.MetaFormerBlock),
('stages.0.blocks.0.norm1', timm.layers.norm.GroupNorm1),
('stages.0.blocks.0.token\_mixer', timm.models.metaformer.Pooling),
('stages.0.blocks.0.token\_mixer.pool', torch.nn.modules.pooling.AvgPool2d),
('stages.0.blocks.0.drop\_path1', torch.nn.modules.linear.Identity),
('stages.0.blocks.0.layer\_scale1', timm.models.metaformer.Scale),
('stages.0.blocks.0.res\_scale1', torch.nn.modules.linear.Identity),
('stages.0.blocks.0.norm2', timm.layers.norm.GroupNorm1),
('stages.0.blocks.0.mlp', timm.layers.mlp.Mlp),
('stages.0.blocks.0.mlp.fc1', torch.nn.modules.conv.Conv2d),
('stages.0.blocks.0.mlp.act', torch.nn.modules.activation.GELU),
('stages.0.blocks.0.mlp.drop1', torch.nn.modules.dropout.Dropout),
('stages.0.blocks.0.mlp.norm', torch.nn.modules.linear.Identity),
('stages.0.blocks.0.mlp.fc2', torch.nn.modules.conv.Conv2d),
('stages.0.blocks.0.mlp.drop2', torch.nn.modules.dropout.Dropout),
('stages.0.blocks.0.drop\_path2', torch.nn.modules.linear.Identity),
('stages.0.blocks.0.layer\_scale2', timm.models.metaformer.Scale),
('stages.0.blocks.0.res\_scale2', torch.nn.modules.linear.Identity),
('stages.0.blocks.1', timm.models.metaformer.MetaFormerBlock),
('stages.0.blocks.1.norm1', timm.layers.norm.GroupNorm1),
('stages.0.blocks.1.token\_mixer', timm.models.metaformer.Pooling),
('stages.0.blocks.1.token\_mixer.pool', torch.nn.modules.pooling.AvgPool2d),
...
('head.global\_pool.flatten', torch.nn.modules.linear.Identity),
('head.norm', timm.layers.norm.LayerNorm2d),
('head.flatten', torch.nn.modules.flatten.Flatten),
('head.drop', torch.nn.modules.linear.Identity),
('head.fc', torch.nn.modules.linear.Linear)]
]
经过仔细检查，我们发现 2D 卷积层的名称如下
“stages.0.blocks.0.mlp.fc1”
和
“stages.0.blocks.0.mlp.fc2”
。我们如何具体匹配这些图层名称？你可以写一个
常规的
表达式
以匹配图层名称。对于我们的例子，正则表达式
r".*\.mlp\.fc\d"
应该做这项工作。
此外，与第一个示例一样，我们应该确保输出层（在本例中为分类头）是
也更新了。查看上面打印的列表的末尾，我们可以看到它的名称是
'head.fc'
。考虑到这一点，
这是我们的 LoRA 配置：
config = LoraConfig(target_modules=r".\*\.mlp\.fc\d", modules_to_save=["head.fc"])
然后我们只需要将基本模型和配置传递给即可创建 PEFT 模型
get_peft_model
:
peft_model = get_peft_model(model, config)
peft_model.print_trainable_parameters()
# prints trainable params: 1,064,454 || all params: 56,467,974 || trainable%: 1.88505789139876
这表明我们只需要训练不到 2% 的参数，这是一个巨大的效率增益。
有关完整的示例，请查看 本笔记本 。
