前言
Prompt 可以描述一个任务，或者提供您希望模型学习的任务示例。软提示方法不是手动创建这些 prompt，而是在输入嵌入中添加可学习的参数，这些参数可以针对特定任务进行优化，同时保持预训练模型的参数冻结。这使得为新的下游任务微调大型语言模型 (LLM) 变得更快、更容易。
PEFT 库支持多种类型的 prompt 方法（p-tuning、prefix tuning、prompt tuning），您可以在软提示指南中了解更多关于这些方法在概念上是如何工作的。如果您有兴趣将这些方法应用于其他任务和用例，请查看我们的notebook 合集！
本指南将向您展示如何使用软提示方法训练因果语言模型，以生成分类，判断推文是否为投诉。
熟悉训练因果语言模型的一般过程将非常有帮助，并使您能够专注于软提示方法。如果您是新手，我们建议您首先查看 Transformers 文档中的因果语言建模指南。当您准备好后，请返回查看将 PEFT 融入您的训练有多么容易！
在开始之前，请确保您已安装所有必要的库。
pip install -q peft transformers datasets
task_type：要训练的任务类型（在本例中为序列到序列语言建模）条件生成任务，根据给定的输入（可能是文本、图片等）生成符合条件的输出。
SEQ_CLS
序列分类（Sequence Classification），对整个句子进行分类。如: 获取评论的情绪，检测电子邮件是否为垃圾邮件，确定句子在语法上是否正确或两个句子在逻辑上是否相关等
SEQ_2_SEQ_LM
条件生成任务，根据给定的输入（可能是文本、图片等）生成符合条件的输出。
与因果语言建模任务不同，条件生成不仅仅关注于给定上下文的连贯性，还关注于满足预定的任务要求。因果语言建模仅关注于根据给定的上下文生成文本序列。
条件生成的应用包括但不限于机器翻译、文本摘要、图像描述等。这些任务通常需要模型在输入和输出之间建立复杂的映射关系。
CAUSAL_LM
因果语言建模任务（CLM），在这种建模方法中，模型试图预测给定上下文中的下一个单词，该上下文通常包括在当前单词之前的所有单词。这种建模方法遵循因果原则，即当前单词只受到其前面单词的影响，而不受后面单词的影响。代表模型有 GPT2、Bloom、OPT、GPT-Neo、GPT-J、LLaMA、ChatGLM。
TOKEN_CLS
Token 分类任务（Token Classification），对句子中的每个词进行分类。如: 识别句子的语法成分（名词、动词、形容词）或命名实体（人、地点、组织）。
数据集
在本指南中，您将使用 RAFT 数据集的 twitter_complaints 子集。twitter_complaints 子集包含标记为 complaint 和 no complaint 的推文，您可以查看数据集查看器，以更好地了解数据的外观。
使用 load_dataset 函数加载数据集并创建一个新的 text_label 列，以便更容易理解 Label 值 1 和 2 的含义。
from datasets import load_dataset
ds = load_dataset("ought/raft", "twitter_complaints")
classes = [k.replace("_", " ") for k in ds["train"].features["Label"].names]
ds = ds.map(
lambda x: {"text_label": [classes[label] for label in x["Label"]]},
batched=True,
num_proc=1,
)
ds["train"][0]
{"Tweet text": "@HMRCcustomers No this is my first job", "ID": 0, "Label": 2, "text_label": "no complaint"}
加载分词器，定义要使用的填充 token，并确定分词后标签的最大长度。
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bigscience/bloomz-560m")
if tokenizer.pad_token_id is None:
tokenizer.pad_token_id = tokenizer.eos_token_id
target_max_length = max([len(tokenizer(class_label)["input_ids"]) for class_label in classes])
print(target_max_length)
创建一个预处理函数，该函数对推文文本和标签进行分词，填充每个批次的输入和标签，创建注意力掩码，并将序列截断为 max_length。然后将 input_ids、attention_mask 和 labels 转换为 PyTorch 张量。
import torch
max_length = 64
def preprocess_function(examples, text_column="Tweet text", label_column="text_label"):
batch_size = len(examples[text_column])
inputs = [f"{text_column} : {x} Label : " for x in examples[text_column]]
targets = [str(x) for x in examples[label_column]]
model_inputs = tokenizer(inputs)
labels = tokenizer(targets)
classes = [k.replace("_", " ") for k in ds["train"].features["Label"].names]
for i in range(batch_size):
sample_input_ids = model_inputs["input_ids"][i]
label_input_ids = labels["input_ids"][i]
model_inputs["input_ids"][i] = [tokenizer.pad_token_id] * (
max_length - len(sample_input_ids)
) + sample_input_ids
model_inputs["attention_mask"][i] = [0] * (max_length - len(sample_input_ids)) + model_inputs[
"attention_mask"
][i]
labels["input_ids"][i] = [-100] * (max_length - len(label_input_ids)) + label_input_ids
model_inputs["input_ids"][i] = torch.tensor(model_inputs["input_ids"][i][:max_length])
model_inputs["attention_mask"][i] = torch.tensor(model_inputs["attention_mask"][i][:max_length])
labels["input_ids"][i] = torch.tensor(labels["input_ids"][i][:max_length])
model_inputs["labels"] = labels["input_ids"]
return model_inputs
使用 map 函数将预处理函数应用于整个数据集，并删除未处理的列，因为模型不需要它们。
processed_ds = ds.map(
preprocess_function,
batched=True,
num_proc=1,
remove_columns=ds["train"].column_names,
load_from_cache_file=False,
desc="Running tokenizer on dataset",
)
最后，创建一个训练和评估 DataLoader。如果数据集中的样本位于 CPU 上，您可以设置 pin_memory=True 以加速训练期间数据传输到 GPU 的速度。
from torch.utils.data import DataLoader
from transformers import default_data_collator
train_ds = processed_ds["train"]
eval_ds = processed_ds["test"]
batch_size = 16
train_dataloader = DataLoader(train_ds, shuffle=True, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True)
eval_dataloader = DataLoader(eval_ds, collate_fn=default_data_collator, batch_size=batch_size, pin_memory=True)
模型
现在让我们加载一个预训练模型，用作软提示方法的基础模型。本指南使用 bigscience/bloomz-560m 模型，但您可以使用任何您想要的因果语言模型。
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("bigscience/bloomz-560m")
PEFT 配置和模型
对于任何 PEFT 方法，您都需要创建一个配置，其中包含指定应如何应用 PEFT 方法的所有参数。配置设置完成后，将其与基础模型一起传递给 get_peft_model() 函数，以创建一个可训练的 PeftModel。
调用 print_trainable_parameters() 方法来比较 PeftModel 的可训练参数数量与基础模型中的参数数量！
P-tuning 添加了一个可训练的嵌入张量，其中 prompt tokens 可以添加到输入序列中的任何位置。创建一个 PromptEncoderConfig，其中包含任务类型、要添加和学习的虚拟 token 数量以及用于学习 prompt 参数的编码器隐藏层大小。
from peft import PromptEncoderConfig, get_peft_model
peft_config = PromptEncoderConfig(task_type="CAUSAL_LM", num_virtual_tokens=20, encoder_hidden_size=128)
model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
"trainable params: 300,288 || all params: 559,514,880 || trainable%: 0.05366935013417338"
训练
设置优化器和学习率调度器。
from transformers import get_linear_schedule_with_warmup
lr = 3e-2
num_epochs = 50
optimizer = torch.optim.AdamW(model.parameters(), lr=lr)
lr_scheduler = get_linear_schedule_with_warmup(
optimizer=optimizer,
num_warmup_steps=0,
num_training_steps=(len(train_dataloader) * num_epochs),
)
将模型移动到 GPU，并创建一个训练循环，报告每个 epoch 的损失和困惑度。
from tqdm import tqdm
device = "cuda"
model = model.to(device)
for epoch in range(num_epochs):
model.train()
total_loss = 0
for step, batch in enumerate(tqdm(train_dataloader)):
batch = {k: v.to(device) for k, v in batch.items()}
outputs = model(**batch)
loss = outputs.loss
total_loss += loss.detach().float()
loss.backward()
optimizer.step()
lr_scheduler.step()
optimizer.zero_grad()
model.eval()
eval_loss = 0
eval_preds = []
for step, batch in enumerate(tqdm(eval_dataloader)):
batch = {k: v.to(device) for k, v in batch.items()}
with torch.no_grad():
outputs = model(**batch)
loss = outputs.loss
eval_loss += loss.detach().float()
eval_preds.extend(
tokenizer.batch_decode(torch.argmax(outputs.logits, -1).detach().cpu().numpy(), skip_special_tokens=True)
)
eval_epoch_loss = eval_loss / len(eval_dataloader)
eval_ppl = torch.exp(eval_epoch_loss)
train_epoch_loss = total_loss / len(train_dataloader)
train_ppl = torch.exp(train_epoch_loss)
print(f"{epoch=}: {train_ppl=} {train_epoch_loss=} {eval_ppl=} {eval_epoch_loss=}")
分享您的模型
训练完成后，您可以使用 push_to_hub 方法将您的模型上传到 Hub。您需要先登录您的 Hugging Face 帐户，并在提示时输入您的 token。
from huggingface_hub import notebook_login
account = <your-hf-account-name>
peft_model_id = f"{account}/bloomz-560-m-peft-method"
model.push_to_hub(peft_model_id)
如果您检查存储库中的模型文件大小，您会发现它比完整大小的模型小得多！
