Transformers 参数高效微调(P-tuning，Prefix-Tuning)

P-tuning微调

简介

P-Tuning（Prompt Tuning）是一种基于预训练模型进行微调的方法，其基本思想是在预训练模型的输出层添加一个可学习的Prompt 可学习的软提示（Soft Prompts），以调整模型的输出。Prompt **可学习的软提示（Soft Prompts）**可以看作是一种特殊的上下文信息，通过将其添加到模型的输入中，可以引导模型产生期望的输出。在微调过程中，通过对Prompt进行训练，可以实现对预训练模型的微调。这种方法无需对模型的原始参数进行大规模修改，因此计算量相对较小，同时也能够有效避免过拟合。
P-Tuning就是在Prompt **可学习的软提示（Soft Prompts）**在处理，如图所示：

LSTM和MLP是PEFT的两种编码方式。

软提示（Soft Prompt）

• 软提示是一组可学习的连续嵌入向量，作为输入的一部分，插入到输入序列前或中间。
• 这些嵌入向量没有固定的语义，由模型在训练中学习其最优表示

代码实现

from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, DataCollatorForSeq2Seq
from transformers import TrainingArguments, Trainer
from peft import PromptEncoderConfig, TaskType, get_peft_model, PromptEncoderReparameterizationType
from peft import PeftModel

# 分词器
tokenizer = AutoTokenizer.from_pretrained("langboat_bloom-1b4-zh")


# 函数内将instruction和response拆开分词的原因是：
# 为了便于mask掉不需要计算损失的labels, 即代码labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
def process_func(example):
    MAX_LENGTH = 256
    input_ids, attention_mask, labels = [], [], []
    instruction = tokenizer(
        "\n".join(["Human: " + example["instruction"], example["input"]]).strip() + "\n\nAssistant: ")
    response = tokenizer(example["output"] + tokenizer.eos_token)
    input_ids = instruction["input_ids"] + response["input_ids"]
    attention_mask = instruction["attention_mask"] + response["attention_mask"]
    labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
    if len(input_ids) > MAX_LENGTH:
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]
    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }


if __name__ == "__main__":
    # 加载数据集
    dataset = Dataset.load_from_disk("./alpaca_data_zh/")

    # 处理数据
    tokenized_ds = dataset.map(process_func, remove_columns=dataset.column_names)
    # print(tokenizer.decode(tokenized_ds[1]["input_ids"]))
    # print(tokenizer.decode(list(filter(lambda x: x != -100, tokenized_ds[1]["labels"]))))

    # 创建模型
    model = AutoModelForCausalLM.from_pretrained("langboat_bloom-1b4-zh", low_cpu_mem_usage=True)

    config = PromptEncoderConfig(task_type=TaskType.CAUSAL_LM, num_virtual_tokens=10,
                                 encoder_reparameterization_type=PromptEncoderReparameterizationType.MLP,
                                 encoder_dropout=0.1, encoder_num_layers=5, encoder_hidden_size=1024)
    print("config:", config)

    model = get_peft_model(model, config)

    print("model:", model)

    print("print_trainable_parameters:", model.print_trainable_parameters())

    # 训练参数
    args = TrainingArguments(
        output_dir="./chatbot",
        per_device_train_batch_size=1,
        gradient_accumulation_steps=8,
        logging_steps=10,
        num_train_epochs=1
    )

    # trainer
    trainer = Trainer(
        model=model,
        args=args,
        train_dataset=tokenized_ds,
        data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True)
    )

    # 训练模型
    trainer.train()

    # 加载训练好的模型进行推理
    model = AutoModelForCausalLM.from_pretrained("Langboat/bloom-1b4-zh")
    peft_model = PeftModel.from_pretrained(model=model, model_id="./chatbot/checkpoint-20/") # model_id是训练好的模型本地路径

    peft_model = peft_model.cuda()
    ipt = tokenizer("Human: {}\n{}".format("考试有哪些技巧？", "").strip() + "\n\nAssistant: ", return_tensors="pt").to(
        peft_model.device)
    print(tokenizer.decode(peft_model.generate(**ipt, max_length=128, do_sample=True)[0], skip_special_tokens=True))

Prefix-Tuning

简介

Prefix-Tuning 是一种参数高效微调技术，通过为输入序列添加一组可学习的前缀（Prefix）来引导预训练语言模型（PLM）完成特定任务。作为可学习的前缀（Prefix），是在放置在Transformers模型的每一层中，这和P-tuning等将Prompt放置在Embedding层是有别的。 该方法冻结预训练模型的所有参数，仅优化前缀的嵌入向量，从而减少计算开销和存储成本，同时保留了模型的强大泛化能力。

什么是前缀

• 前缀（Prefix）是一组可学习的嵌入向量，独立于任务输入的内容。
• 这些嵌入被插入到输入序列的开头部分，为语言模型提供任务特定的上下文信息。

前缀（Prefix）在Transformers模型的每一层中已什么形式存在的，那就是past_key_values。
past_key_values的作用，是在生成下一个 token 时，已经生成的 token 的注意力键值（key 和 value）不会重新计算，而是直接从缓存中读取。

Prefix-Tuning与前缀（Prefix）
Prefix-Tuning通过past_key_values形式将可学习的部分放到模型中每一层，这部分内容就是前缀（Prefix）。

past_key和past_value就是可学习部分

代码实现

from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, DataCollatorForSeq2Seq
from transformers import TrainingArguments, Trainer
from peft import PrefixTuningConfig, get_peft_model, TaskType
from peft import PeftModel

# 分词器
tokenizer = AutoTokenizer.from_pretrained("langboat_bloom-1b4-zh")


# 函数内将instruction和response拆开分词的原因是：
# 为了便于mask掉不需要计算损失的labels, 即代码labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
def process_func(example):
    MAX_LENGTH = 256
    input_ids, attention_mask, labels = [], [], []
    instruction = tokenizer(
        "\n".join(["Human: " + example["instruction"], example["input"]]).strip() + "\n\nAssistant: ")
    response = tokenizer(example["output"] + tokenizer.eos_token)
    input_ids = instruction["input_ids"] + response["input_ids"]
    attention_mask = instruction["attention_mask"] + response["attention_mask"]
    labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
    if len(input_ids) > MAX_LENGTH:
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]
    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }


if __name__ == "__main__":
    # 加载数据集
    dataset = Dataset.load_from_disk("./alpaca_data_zh/")

    # 处理数据
    tokenized_ds = dataset.map(process_func, remove_columns=dataset.column_names)
    # print(tokenizer.decode(tokenized_ds[1]["input_ids"]))
    # print(tokenizer.decode(list(filter(lambda x: x != -100, tokenized_ds[1]["labels"]))))

    # 创建模型
    model = AutoModelForCausalLM.from_pretrained("langboat_bloom-1b4-zh", low_cpu_mem_usage=True)

    config = PrefixTuningConfig(task_type=TaskType.CAUSAL_LM, num_virtual_tokens=10, prefix_projection=True)

    print("config:", config)

    model = get_peft_model(model, config)

    print("model:", model)

    print("print_trainable_parameters:", model.print_trainable_parameters())

    # 训练参数
    args = TrainingArguments(
        output_dir="./chatbot",
        per_device_train_batch_size=1,
        gradient_accumulation_steps=8,
        logging_steps=10,
        num_train_epochs=1
    )

    # trainer
    trainer = Trainer(
        model=model,
        args=args,
        train_dataset=tokenized_ds,
        data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True)
    )

    # 训练模型
    trainer.train()

    # 加载训练好的模型进行推理
    model = AutoModelForCausalLM.from_pretrained("Langboat/bloom-1b4-zh")
    peft_model = PeftModel.from_pretrained(model=model, model_id="./chatbot/checkpoint-20/") # model_id是训练好的模型本地路径

    peft_model = peft_model.cuda()
    ipt = tokenizer("Human: {}\n{}".format("考试有哪些技巧？", "").strip() + "\n\nAssistant: ", return_tensors="pt").to(
        peft_model.device)
    print(tokenizer.decode(peft_model.generate(**ipt, max_length=128, do_sample=True)[0], skip_special_tokens=True))