MiSS

MiSS (Matrix Shard Sharing) — это метод PEFT, обеспечивающий хороший баланс между производительностью модели и вычислительной эффективностью. Он требует лишь одной обучаемой матрицы и вводит механизм разделения на фрагменты (shard-sharing), отличный от LoRA.

Аннотация из статьи:

Методы параметрически эффективной дообучения (PEFT), в частности Low-Rank Adaptation (LoRA), эффективно сокращают количество обучаемых параметров в больших языковых моделях (LLM). Однако по мере дальнейшего роста масштабов моделей потребность в вычислительных ресурсах остаётся серьёзной проблемой. Существующие варианты LoRA часто не позволяют найти оптимальный баланс между адаптивностью (качеством модели и скоростью сходимости) и эффективностью (вычислительными накладными расходами, использованием памяти и временем инициализации). В данной статье представлен MiSS (Matrix Shard Sharing) — новый подход PEFT, который решает эту дилемму с помощью простого механизма общего использования фрагментов (shards). MiSS использует наблюдение о том, что низко-ранговая адаптация может быть достигнута путём разложения матрицы весов на несколько фрагментных матриц и использования общей обучаемой фрагментной матрицы. Данный метод строит матрицу низко-рангового обновления путём дублирования этих общих, разбитых на части фрагментов. Мы также предлагаем аппаратно-эффективную и широко применимую реализацию MiSS. Обширные эксперименты, проведённые на широком спектре задач, а также систематический анализ вычислительной производительности демонстрируют превосходство MiSS. Результаты показывают, что MiSS значительно превосходит стандартный LoRA и его популярные варианты как по метрикам качества модели, так и по вычислительной эффективности, включая скорость инициализации и пропускную способность обучения. Эффективно балансируя выразительную способность и использование ресурсов, MiSS предлагает убедительное решение для эффективной адаптации моделей большого масштаба.

Обзор бенчмарков

Когда использовать MiSS

MiSS — хороший выбор, когда:

• Вы хотите более быструю инициализацию и более высокую пропускную способность обучения, чем у продвинутых схем инициализации LoRA, использующих сложные конфигурации (такие как PiSSA, LoRA-GA или OLoRA).
• Вы ищете готовую замену LoRA с минимальными изменениями конфигурации.

Если вам нужна более высокая выразительность ценой некоторой потери эффективности, рассмотрите вариант инициализации bat (см. ниже).

режимы init_weights

MiSS поддерживает три режима инициализации с помощью параметра init_weights:

• True (по умолчанию): стандартная инициализация MiSS. Оптимальная отправная точка для большинства сценариев использования.
• "bat": Включает нелинейные обновления между различными шардами. Даёт лучшие результаты, чем стандартный MiSS, но потребляет больше памяти и работает примерно в два раза медленнее. Используйте этот вариант, когда приоритетом является производительность, а не эффективность.
• "mini": Использует меньший ранг вдоль измерения out_features, управляемый параметром mini_r. Это дополнительно уменьшает количество обучаемых параметров. При использовании этого режима необходимо задать mini_r, а out_features должно делиться нацело на mini_r.

Быстрый старт

import torch
from peft import MissConfig, get_peft_model
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-2-7b-hf",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-2-7b-hf")
tokenizer.pad_token_id = tokenizer.eos_token_id

# Standard MiSS
config = MissConfig(
    r=64,
    miss_dropout=0.01,
    task_type="CAUSAL_LM"
)

# BAT variant — better performance, more memory
# config = MissConfig(
#     r=64,
#     init_weights="bat",
#     task_type="CAUSAL_LM"
# )

# Mini variant — fewer trainable parameters
# config = MissConfig(
#     r=64,
#     init_weights="mini",
#     mini_r=8,
#     task_type="CAUSAL_LM"
# )

model = get_peft_model(model, config)
model.print_healthcheck()

Полный пример дообучения, включающий обучение и вывод, см. в примере дообучения MiSS.

API

MissConfig

MissModel

>>> from transformers import AutoModelForCausalLM
>>> from peft import MissConfig, get_peft_model

>>> base_model = AutoModelForCausalLM.from_pretrained("facebook/opt-125m")
>>> config = MissConfig(r=64)
>>> model = get_peft_model(base_model, config)