当前位置：首页 > news >正文

PEFT库和transformers库在NLP大模型中的使用和常用方法详解

news 文章来源：https://blog.csdn.net/qq_44117805/article/details/142733732 2025/5/11 4:46:30

PEFT（Parameter-Efficient Fine-Tuning）库是一个用于有效微调大型预训练语言模型的工具，尤其是在计算资源有限的情况下。它提供了一系列技术，旨在提高微调过程的效率和灵活性。以下是PEFT库的详细解读以及一些常用方法的总结：

PEFT库详解

参数高效微调的概念
- PEFT旨在通过只微调模型的一部分参数（而不是整个模型）来减少计算和内存开销。这对于大型语言模型（如BERT、GPT等）尤其重要，因为它们的参数数量通常非常庞大。
常见方法
- PEFT包括几种不同的策略，每种策略都有其适用场景和优缺点。以下是一些最常用的PEFT方法：

常用的PEFT方法总结

LoRA（Low-Rank Adaptation）

原理：通过在预训练模型的权重矩阵中添加低秩矩阵，LoRA将大模型的微调问题转化为对小矩阵的优化。
优点：显著减少训练时所需的参数，降低计算复杂度。
使用场景：适合在计算资源有限的情况下进行快速微调。

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from peft import LoRAConfig, get_peft_model# 加载预训练模型和分词器
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)# 配置LoRA
lora_config = LoRAConfig(r=8,  # 低秩适配的秩lora_alpha=32,lora_dropout=0.1
)# 应用LoRA
lora_model = get_peft_model(model, lora_config)# 训练代码（略）

Adapter

原理：在预训练模型的不同层之间插入小型的“适配器”网络，只微调适配器参数，保留主模型的权重不变。
优点：适配器可以在不同任务之间共享，大幅度减少微调时的参数数量。
使用场景：适用于需要频繁在不同任务之间切换的情况。

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from peft import AdapterConfig, get_peft_model# 加载预训练模型和分词器
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)# 配置Adapter
adapter_config = AdapterConfig(reduction_factor=2,non_linearity="relu"
)# 应用Adapter
adapter_model = get_peft_model(model, adapter_config)# 训练代码（略）

Prefix Tuning

原理：在输入序列前添加一个学习到的前缀，这个前缀在微调过程中进行优化，而主模型的参数保持不变。
优点：可以实现快速微调，同时保留主模型的知识。
使用场景：适合文本生成和对话系统等任务。

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PrefixTuningConfig, get_peft_model# 加载预训练模型和分词器
model_name = "gpt2"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)# 配置Prefix Tuning
prefix_config = PrefixTuningConfig(prefix_length=10,  # 前缀长度task_type="text-generation"
)# 应用Prefix Tuning
prefix_model = get_peft_model(model, prefix_config)# 训练代码（略）

Prompt Tuning

原理：通过优化输入提示（prompt）的参数来指导模型生成所需的输出。
优点：相较于传统微调方法，减少了对模型整体参数的依赖。
使用场景：适用于自然语言处理中的各种任务，如文本分类和问答。

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from peft import PromptTuningConfig, get_peft_model# 加载预训练模型和分词器
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)# 配置Prompt Tuning
prompt_config = PromptTuningConfig(prompt_length=5,  # 提示长度task_type="classification"
)# 应用Prompt Tuning
prompt_model = get_peft_model(model, prompt_config)# 训练代码（略）

BitFit

原理：只对模型的偏置参数进行微调，保持权重参数不变。
优点：极大地减少了微调的参数数量，同时在许多任务中表现良好。
使用场景：适用于资源受限的场景。

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from peft import BitFitConfig, get_peft_model# 加载预训练模型和分词器
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)# 配置BitFit
bitfit_config = BitFitConfig()# 应用BitFit
bitfit_model = get_peft_model(model, bitfit_config)# 训练代码（略）

----------------------------------------------------------------------------------------------------------------------

transformers库概述

transformers库是由Hugging Face开发的一个开源库，专门用于处理自然语言处理（NLP）任务。它提供了预训练的模型、简单的API和丰富的功能，使得使用大型语言模型变得更加方便。以下是transformers库的详解和一些最常用的方法总结。

1. 加载模型和分词器

from_pretrained(model_name)：
- 用途：从Hugging Face Model Hub加载预训练模型和分词器。from_pretrained(model_name)方法用于从Hugging Face Model Hub加载预训练模型及其配置。可以通过指定模型的名称、路径或标识符来获取预训练的模型。（这里我常常自己先下载下来，不然的话huggingface社区老没办法从本地登进去）
- 示例：model = AutoModel.from_pretrained("bert-base-uncased")

2. 分词器（Tokenizer）

tokenizer(text)：
- 用途：将文本转化为模型可接受的输入格式，包括分词、编码等。
- 参数：可以设置return_tensors参数指定返回的张量格式（如"pt"表示PyTorch）。
- 示例：inputs = tokenizer("Hello, world!", return_tensors="pt")
- Hugging Face提供多种类型的分词器，主要包括：
  
  BertTokenizer BERT - 用于NLP任务的分词器 - 使用WordPiece分词 - 处理复杂句子和OOV词效果好
  
  GPT2Tokenizer GPT-2 - 通过from_pretrained加载 - 使用Byte Pair Encoding (BPE)分词 - 适合文本生成和补全
  
  T5Tokenizer T5 - 提供tokenization和编码功能 - 使用SentencePiece分词 - 支持多种任务，灵活性高
  
  RobertaTokenizer RoBERTa - 支持填充、截断和解码功能 - 训练数据更丰富，取消特殊标记 - 在上下文理解方面表现优秀
  
  AutoTokenizer 多种模型 - 方便集成和使用 - 自动选择适合的分词器 - 提高开发效率，适合快速实验
- BertTokenizer：用于BERT模型。
- GPT2Tokenizer：用于GPT-2模型。
- T5Tokenizer：用于T5模型。
- RobertaTokenizer：用于RoBERTa模型。
- AutoTokenizer：自动选择适当的分词器，根据给定的模型名称。

3. 推理

model(inputs)：
- 用途：推理（Inference）是指使用训练好的模型对新输入进行预测或生成输出的过程。在自然语言处理（NLP）和深度学习中，推理是模型应用的关键步骤，通常在模型训练完成后进行。以下是推理的基本概念和过程，（在这里我理解为，推理是对经过分词处理的输入数据进行推断，输出模型的预测结果。）目的：推理的目的是对未知数据进行预测，例如分类、生成文本、回答问题等。输入与输出：推理通常接收原始输入（如文本、图像等），并输出模型的预测结果（如分类标签、生成的文本等）。
- 示例：outputs = model(**inputs)

4. Pipeline

pipeline(task)：
- 用途：创建一个简化的任务接口，支持文本分类、问答、翻译等多种任务。
- 示例：classifier = pipeline("sentiment-analysis")
- 使用方法：result = classifier("I love this movie!")

5. Trainer

Trainer：
- 用途：用于模型的训练和评估，简化了训练过程。
- 方法：
  - train()：开始训练模型。
  - evaluate()：评估模型在验证集上的表现。
  - save_model()：保存微调后的模型。

6. 保存和加载模型

save_pretrained(directory)：
- 用途：将模型和分词器保存到指定目录。
- 示例：model.save_pretrained("./my_model")
from_pretrained(directory)：
- 用途：从本地目录加载已保存的模型和分词器。
- 示例：model = AutoModel.from_pretrained("./my_model")

7. 自定义数据集

Dataset：
- 用途：自定义数据集类，继承自torch.utils.data.Dataset，实现数据的加载和预处理。
- 方法：
  - __len__()：返回数据集大小。
  - __getitem__(idx)：返回指定索引的数据样本。

8. 模型评估

evaluate()：
- 用途：在验证集上评估模型性能，返回各类指标（如损失、准确率等）。
- 示例：metrics = trainer.evaluate(eval_dataset=eval_dataset)

9. 文本生成

model.generate()：
- 用途：用于生成文本，例如进行对话生成或续写。
- 示例：generated_ids = model.generate(input_ids, max_length=50)

10. 模型的选择

AutoModel、AutoModelForSequenceClassification等：
- 用途：根据任务选择合适的模型架构。
- 示例：model = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")