Transformers documentation
모델 구성 요소 맞춤 설정하기
모델 구성 요소 맞춤 설정하기
모델을 완전히 새로 작성하는 대신 구성 요소를 수정하여 모델을 맞춤 설정하는 방법이 있습니다. 이 방법으로 모델을 특정 사용 사례에 맞게 모델을 조정할 수 있습니다. 예를 들어, 새로운 레이어를 추가하거나 아키텍처의 어텐션 메커니즘을 최적화할 수 있습니다. 이러한 맞춤 설정은 트랜스포머 모델에 직접 적용되므로, Trainer, PreTrainedModel 및 PEFT 라이브러리와 같은 기능을 계속 사용할 수 있습니다.
이 가이드에서는 모델의 어텐션 메커니즘을 맞춤 설정하여 Low-Rank Adaptation (LoRA)를 적용하는 방법을 설명합니다.
모델 코드를 반복적으로 수정하고 개발할 때 clear_import_cache 유틸리티가 매우 유용합니다. 이 기능은 캐시된 모든 트랜스포머 모듈을 제거하여 Python이 환경을 재시작하지 않고도 수정된 코드를 다시 가져올 수 있도록 합니다.
from transformers import AutoModel from transformers.utils.import_utils import clear_import_cache model = AutoModel.from_pretrained("bert-base-uncased") # 모델 코드 수정 # 캐시를 지워 수정된 코드를 다시 가져오기 clear_import_cache() # 업데이트된 코드를 사용하기 위해 다시 가져오기 model = AutoModel.from_pretrained("bert-base-uncased")
어텐션 클래스
Segment Anything은 이미지 분할 모델로, 어텐션 메커니즘에서 query-key-value(qkv) 프로젝션을 결합합니다. 학습 가능한 파라미터 수와 연산 부담을 줄이기 위해 qkv 프로젝션에 LoRA를 적용할 수 있습니다. 이를 위해서는 qkv 프로젝션을 분리하여 q와 v에 LoRA를 개별적으로 적용해야 합니다.
- 원래의
SamVisionAttention클래스를 상속하여SamVisionAttentionSplit이라는 사용자 정의 어텐션 클래스를 만듭니다.__init__에서 결합된qkv를 삭제하고,q,k,v를 위한 개별 선형 레이어를 생성합니다.
import torch
import torch.nn as nn
from transformers.models.sam.modeling_sam import SamVisionAttention
class SamVisionAttentionSplit(SamVisionAttention, nn.Module):
def __init__(self, config, window_size):
super().__init__(config, window_size)
# 결합된 qkv 제거
del self.qkv
# q, k, v 개별 프로젝션 생성
self.q = nn.Linear(config.hidden_size, config.hidden_size, bias=config.qkv_bias)
self.k = nn.Linear(config.hidden_size, config.hidden_size, bias=config.qkv_bias)
self.v = nn.Linear(config.hidden_size, config.hidden_size, bias=config.qkv_bias)
self._register_load_state_dict_pre_hook(self.split_q_k_v_load_hook)_split_qkv_load_hook함수는 모델을 가져올 때, 사전 훈련된qkv가중치를q,k,v로 분리하여 사전 훈련된 모델과의 호환성을 보장합니다.
def split_q_k_v_load_hook(self, state_dict, prefix, *args):
keys_to_delete = []
for key in list(state_dict.keys()):
if "qkv." in key:
# 결합된 프로젝션에서 q, k, v 분리
q, k, v = state_dict[key].chunk(3, dim=0)
# 개별 q, k, v 프로젝션으로 대체
state_dict[key.replace("qkv.", "q.")] = q
state_dict[key.replace("qkv.", "k.")] = k
state_dict[key.replace("qkv.", "v.")] = v
# 기존 qkv 키를 삭제 대상으로 표시
keys_to_delete.append(key)
# 기존 qkv 키 제거
for key in keys_to_delete:
del state_dict[key]forward단계에서q,k,v는 개별적으로 계산되며, 어텐션 메커니즘의 나머지 부분은 동일하게 유지됩니다.
def forward(self, hidden_states: torch.Tensor, output_attentions=False) -> torch.Tensor:
batch_size, height, width, _ = hidden_states.shape
qkv_shapes = (batch_size * self.num_attention_heads, height * width, -1)
query = self.q(hidden_states).reshape((batch_size, height * width,self.num_attention_heads, -1)).permute(0,2,1,3).reshape(qkv_shapes)
key = self.k(hidden_states).reshape((batch_size, height * width,self.num_attention_heads, -1)).permute(0,2,1,3).reshape(qkv_shapes)
value = self.v(hidden_states).reshape((batch_size, height * width,self.num_attention_heads, -1)).permute(0,2,1,3).reshape(qkv_shapes)
attn_weights = (query * self.scale) @ key.transpose(-2, -1)
attn_weights = torch.nn.functional.softmax(attn_weights, dtype=torch.float32, dim=-1).to(query.dtype)
attn_probs = nn.functional.dropout(attn_weights, p=self.dropout, training=self.training)
attn_output = (attn_probs @ value).reshape(batch_size, self.num_attention_heads, height, width, -1)
attn_output = attn_output.permute(0, 2, 3, 1, 4).reshape(batch_size, height, width, -1)
attn_output = self.proj(attn_output)
if output_attentions:
outputs = (attn_output, attn_weights)
else:
outputs = (attn_output, None)
return outputs사용자 정의 SamVisionAttentionSplit 클래스를 원본 모델의 SamVisionAttention 모듈에 할당하여 교체합니다. 모델 내 모든 SamVisionAttention 인스턴스는 분리된 어텐션 버전으로 대체됩니다.
from_pretrained()로 모델을 가져오세요.
from transformers import SamModel
# 사전 훈련된 SAM 모델 가져오기
model = SamModel.from_pretrained("facebook/sam-vit-base")
# 비전-인코더 모듈에서 어텐션 클래스 교체
for layer in model.vision_encoder.layers:
if hasattr(layer, "attn"):
layer.attn = SamVisionAttentionSplit(model.config.vision_config, model.config.vision_config.window_size)LoRA
분리된 q, k, v 프로젝션을 사용할 때 , q와 v에 LoRA를 적용합니다.
LoraConfig를 생성하고, 랭크 r, lora_alpha, lora_dropout, task_type, 그리고 가장 중요한 적용될 모듈을 지정합니다.
from peft import LoraConfig, get_peft_model
config = LoraConfig(
r=16,
lora_alpha=32,
# q와 v에 LoRA 적용
target_modules=["q", "v"],
lora_dropout=0.1,
task_type="FEATURE_EXTRACTION"
)모델과 LoraConfig를 get_peft_model에 전달하여 모델에 LoRA를 적용합니다.
model = get_peft_model(model, config)
print_trainable_parameters를 호출하여 전체 파라미터 수 대비 훈련되는 파라미터 수를 확인하세요.
model.print_trainable_parameters()
"trainable params: 589,824 || all params: 94,274,096 || trainable%: 0.6256"