本文主要是介绍Transformer微调实战：通过低秩分解（LoRA）对T5模型进行微调（LoRA Fine Tune），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
scient
scient一个用python实现科学计算相关算法的包，包括自然语言、图像、神经网络、优化算法、机器学习、图计算等模块。
scient源码和编译安装包可以在Python package index获取。
The source code and binary installers for the latest released version are available at the [Python package index].
https://pypi.org/project/scient
可以用pip安装scient。
You can install scient like this:
pip install scient
也可以用setup.py安装。
Or in the scient directory, execute:
python setup.py install
scient.neuralnet
神经网络相关算法模块，包括attention、transformer、bert、lstm、resnet、crf、dataset、fit等。
scient.neuralnet.lora
实现了多个网络层的LoRA微调，包括Linear。
scient.neuralnet.lora.Linear(in_features: int, out_features: int, r:int, bias: bool = True)
Parameters
- in_features : int
Linear层的输入节点数. - out_features : int
Linear层的输出节点数. - r : int
中间层维度为r. - bias : bool, optional
Linear层的bias参数.
Algorithms
LoRA的基本原理是冻结预训练的模型参数，然后在Transfomer的每一层中加入一个可训练的旁路矩阵（低秩可分离矩阵），接着将旁路输出与初始路径输出相加输入到网络当中，并只训练这些新增的旁路矩阵参数。其中，低秩可分离矩阵由两个矩阵组成，第一个矩阵负责降维，第二个矩阵负责升维，中间层维度为r，从而来模拟本征秩（intrinsic rank），这两个低秩矩阵能够大幅度减小参数量。
Examples
下面采用代码实例说明LoRA微调T5的过程，首先需要构建T5模型，T5模型的构建参见：Transformer经典模型实战：零基础训练一个面向中文的T5模型（Text to Text Transfer Transformer）
本示例所用的代码与上述链接中的T5模型构建、数据准备、训练、验证基本一致，不同之处是在模型构建时加入了如下LoRA部分：
pretrain_path='d:\\model.state_dict'#构建T5模型，并加载预训练的权重，后面对此预训练模型进行微调。
model=transformer.T5Transformer(vocab_size=vocab_size,dropout=0.1,ffn_size=3072)
model.load_state_dict(torch.load(pretrain_path),strict=False)#本示例的LoRA作用于attention中的query权重
for layer in model.encoder+model.decoder:# breaklayer.multi_head_attn.query=lora.Linear(layer.multi_head_attn.query.in_features, layer.multi_head_attn.query.out_features,r=64,bias=layer.multi_head_attn.query.bias)#LoRA矩阵的命名为 lora_A 和 lora_B，这里将LoRA矩阵之外的权重进行冻结
for k,v in model.named_parameters():# breakif 'lora' not in k:v.requires_grad=Falseelse:print(k,v.requires_grad)
进行如上设置，采用T5模型相同的训练方式，即可对T5进行微调，具体训练方式参见：Transformer经典模型实战：零基础训练一个面向中文的T5模型（Text to Text Transfer Transformer）
在训练前后，可以查看LoRA权重不断更新，非LoRA权重不更新，查看方式如下：
model.encoder[0].multi_head_attn.query.lora_A
model.encoder[0].multi_head_attn.query.lora_B
model.encoder[0].multi_head_attn.query.weight
model.encoder[0].multi_head_attn.query.bias
附代码中用到的tokenizer模型spiece.model、训练数据rewrite_train3.xlsx和预训练模型model.state_dict的下载地址：
链接：https://pan.baidu.com/s/12vEZBYldXvPrJTiFUEKGUw?pwd=DTFM
提取码：DTFM
这篇关于Transformer微调实战：通过低秩分解（LoRA）对T5模型进行微调（LoRA Fine Tune）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
