Mamba
概述
Mamba模型由Albert Gu和Tri Dao在Mamba: Linear-Time Sequence Modeling with Selective State Spaces中提出。
这个模型是基于state-space-models
的新范式架构。你可以在这里here了解更多关于这些背后的直觉。
论文的摘要如下:
基础模型,现在驱动着深度学习中大多数令人兴奋的应用,几乎普遍基于Transformer架构及其核心注意力模块。许多次二次时间架构,如线性注意力、门控卷积和循环模型,以及结构化状态空间模型(SSMs),已经被开发出来以解决Transformer在长序列上的计算效率低下问题,但它们在语言等重要模态上的表现不如注意力。我们发现这些模型的一个关键弱点是它们无法执行基于内容的推理,并进行了几项改进。首先,简单地让SSM参数成为输入的函数,解决了它们在离散模态上的弱点,使模型能够根据当前标记选择性地沿序列长度维度传播或忘记信息。其次,尽管这一变化阻止了使用高效卷积,但我们设计了一种硬件感知的循环模式并行算法。我们将这些选择性SSM集成到一个简化的端到端神经网络架构中,没有注意力甚至MLP块(Mamba)。Mamba享有快速推理(吞吐量比Transformer高5倍)和序列长度的线性扩展,其性能在真实数据上提高到百万长度序列。作为一般序列模型骨干,Mamba在语言、音频和基因组学等多种模态上实现了最先进的性能。在语言建模方面,我们的Mamba-3B模型在预训练和下游评估中都优于相同大小的Transformer,并与两倍大小的Transformer相匹配。
提示:
- Mamba 是一种新的
state space model
架构,能够与经典的 Transformers 相媲美。它基于结构化状态空间模型的进展,采用了高效的硬件感知设计和实现,灵感来自 FlashAttention。 - Mamba 堆叠了
mixer
层,这些层相当于Attention
层。mamba
的核心逻辑包含在MambaMixer
类中。 - 两种实现共存:一种是经过优化的,使用快速的cuda内核,而另一种是简单的,但可以在任何设备上运行!
- 当前的实现利用了原始的cuda内核:Mamba的等效flash attention托管在
mamba-ssm
和causal_conv1d
仓库中。如果您的硬件支持,请确保安装它们! - 欢迎为加快朴素路径做出贡献 🤗
用法
一个简单的生成示例:
from transformers import MambaConfig, MambaForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
model = MambaForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
input_ids = tokenizer("Hey how are you doing?", return_tensors= "pt")["input_ids"]
out = model.generate(input_ids, max_new_tokens=10)
print(tokenizer.batch_decode(out))
Peft 微调
慢速版本在训练时不太稳定,而快速版本需要float32
!
from datasets import load_dataset
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments
model_id = "state-spaces/mamba-130m-hf"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
dataset = load_dataset("Abirate/english_quotes", split="train")
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=4,
logging_dir='./logs',
logging_steps=10,
learning_rate=2e-3
)
lora_config = LoraConfig(
r=8,
target_modules=["x_proj", "embeddings", "in_proj", "out_proj"],
task_type="CAUSAL_LM",
bias="none"
)
trainer = SFTTrainer(
model=model,
processing_class=tokenizer,
args=training_args,
peft_config=lora_config,
train_dataset=dataset,
dataset_text_field="quote",
)
trainer.train()
MambaConfig
类 transformers.MambaConfig
< source >( vocab_size = 50280 hidden_size = 768 state_size = 16 num_hidden_layers = 32 layer_norm_epsilon = 1e-05 pad_token_id = 0 bos_token_id = 0 eos_token_id = 0 expand = 2 conv_kernel = 4 use_bias = False use_conv_bias = True hidden_act = 'silu' initializer_range = 0.1 residual_in_fp32 = True time_step_rank = 'auto' time_step_scale = 1.0 time_step_min = 0.001 time_step_max = 0.1 time_step_init_scheme = 'random' time_step_floor = 0.0001 rescale_prenorm_residual = False use_cache = True use_mambapy = False **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 50280) — MAMBA 模型的词汇量大小。定义了调用 MambaModel 时传递的inputs_ids
可以表示的不同标记的数量。 - hidden_size (
int
, 可选, 默认为 768) — 嵌入和隐藏状态的维度。 - state_size (
int
, optional, 默认为 16) — 状态空间潜变量的形状. - num_hidden_layers (
int
, optional, 默认为 32) — 模型中的隐藏层数量。 - layer_norm_epsilon (
float
, optional, defaults to 1e-05) — 用于层归一化层的epsilon值。 - pad_token_id (
int
, 可选, 默认为 0) — 填充标记的ID. - bos_token_id (
int
, optional, defaults to 0) — 词汇表中句子开始标记的id. - eos_token_id (
int
, optional, defaults to 0) — 词汇表中句子结束标记的id. - expand (
int
, optional, 默认为 2) — 用于确定中间大小的扩展因子。 - conv_kernel (
int
, optional, 默认为 4) — 卷积核的大小. - use_bias (
bool
, 可选, 默认为False
) — 是否在混合器块的 [“in_proj”, “out_proj”] 中使用偏置 - use_conv_bias (
bool
, optional, defaults toTrue
) — 是否在混合器块的卷积层中使用偏置。 - hidden_act (
str
, optional, defaults to"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - initializer_range (
float
, 可选, 默认为 0.1) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。 - residual_in_fp32 (
bool
, 可选, 默认为True
) — 残差是否应为float32
。如果设置为False
,残差将保持与模型其余部分相同的dtype
- time_step_rank (
Union[int,str]
, 可选, 默认为"auto"
) — 离散化投影矩阵的秩。"auto"
表示它将默认为math.ceil(self.hidden_size / 16)
- time_step_scale (
float
, optional, 默认为 1.0) — 用于缩放dt_proj.bias
的比例。 - time_step_min (
float
, 可选, 默认为 0.001) — 用于限制dt_proj.bias
的最小time_step
. - time_step_max (
float
, 可选, 默认为 0.1) — 用于限制dt_proj.bias
的最大time_step
. - time_step_init_scheme (
float
, 可选, 默认为"random"
) — 用于dt_proj.weight
的初始化方案。应为["random","uniform"]
之一 - time_step_floor (
float
, 可选, 默认值为 0.0001) —dt_proj.bias
层初始化的最小钳位值。 - rescale_prenorm_residual (
bool
, 可选, 默认为False
) — 是否在初始化时重新缩放out_proj
权重. - use_cache (
bool
, 可选, 默认为True
) — 是否应使用缓存。 - use_mambapy (
bool
, optional, 默认为False
) — 确定在训练期间如果基于CUDA的Mamba官方实现不可用时的回退策略。如果为True
,则使用 mamba.py 实现。如果为False
,则使用简单且较慢的实现。如果内存有限,请考虑切换到简单版本。
这是用于存储MambaModel配置的配置类。它用于根据指定的参数实例化一个MAMBA模型,定义模型架构。使用默认值实例化配置将产生与MAMBA state-spaces/mamba-2.8b架构类似的配置。
配置对象继承自PretrainedConfig,可用于控制模型输出。阅读PretrainedConfig的文档以获取更多信息。
示例:
>>> from transformers import MambaConfig, MambaModel
>>> # Initializing a Mamba configuration
>>> configuration = MambaConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = MambaModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
MambaModel
类 transformers.MambaModel
< source >( config )
参数
- config (MambaConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
裸MAMBA模型转换器输出原始隐藏状态,顶部没有任何特定的头部。
该模型继承自PreTrainedModel。请查看超类文档以了解库为其所有模型实现的通用方法(如下载或保存、调整输入嵌入的大小、修剪头部等)。
该模型也是一个PyTorch torch.nn.Module 子类。 将其作为常规的PyTorch模块使用,并参考PyTorch文档以获取与一般使用和行为相关的所有信息。
前进
< source >( input_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.LongTensor] = None cache_params: typing.Optional[transformers.cache_utils.MambaCache] = None use_cache: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None ) → transformers.models.mamba.modeling_mamba.MambaOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, input_ids_length)
) — Indices of input sequence tokens in the vocabulary.如果
cache_params.seqlen_offset>0
,只有那些尚未计算其过去的input_ids
应该作为input_ids
传递。可以使用AutoTokenizer获取索引。详情请参见PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()。
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望对如何将input_ids
索引转换为相关向量有更多控制,而不是使用模型的内部嵌入查找矩阵,这将非常有用。 - cache_params (
MambaCache
, 可选) — 如果传递了此参数,模型将在所有块中使用先前的状态(这将为提供的input_ids
输出,就像模型将state_input_ids + input_ids
作为上下文一样)。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回cache_params
,并可用于快速生成下一个 logits。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。 - cache_position (
torch.LongTensor
of shape(sequence_length)
, optional) — 表示输入序列标记在序列中的位置的索引。与position_ids
相反, 这个张量不受填充的影响。它用于在正确的位置更新缓存并推断 完整的序列长度。
返回
transformers.models.mamba.modeling_mamba.MambaOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.mamba.modeling_mamba.MambaOutput
或一个由 torch.FloatTensor
组成的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含根据配置(MambaConfig)和输入的各种元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。 -
cache_params (
MambaCache
) — 模型在最后时间步的状态。可以在前向方法中与下一个input_ids
一起使用,以避免提供旧的input_ids
。包括选择性扫描后的状态空间模型状态矩阵和卷积状态。
-
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 由torch.FloatTensor
组成的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每一层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出时的隐藏状态加上可选的初始嵌入输出。
MambaModel 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoTokenizer, MambaModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
>>> model = MambaModel.from_pretrained("state-spaces/mamba-130m-hf")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
MambaLMHeadModel
类 transformers.MambaForCausalLM
< source >( config )
参数
- config (MambaConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
MAMBA 模型转换器,顶部带有语言建模头(线性层,其权重与输入嵌入绑定)。
该模型继承自PreTrainedModel。请查看超类文档以了解库为其所有模型实现的通用方法(如下载或保存、调整输入嵌入的大小、修剪头部等)。
该模型也是一个PyTorch torch.nn.Module 子类。 将其作为常规的PyTorch模块使用,并参考PyTorch文档以获取与一般使用和行为相关的所有信息。
前进
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None cache_params: typing.Optional[transformers.cache_utils.MambaCache] = None labels: typing.Optional[torch.LongTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None use_cache: typing.Optional[bool] = None cache_position: typing.Optional[torch.Tensor] = None **kwargs ) → transformers.models.mamba.modeling_mamba.MambaCausalLMOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, input_ids_length)
) — Indices of input sequence tokens in the vocabulary.如果
cache_params.seqlen_offset>0
,只有那些尚未计算其过去的input_ids
应该作为input_ids
传递。可以使用AutoTokenizer获取索引。详情请参见PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()。
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望对如何将input_ids
索引转换为相关向量有更多控制,而不是使用模型的内部嵌入查找矩阵,这将非常有用。 - cache_params (
MambaCache
, 可选) — 如果传递了该参数,模型将在所有块中使用先前的状态(这将为提供的input_ids
输出,就像模型将state_input_ids + input_ids
作为上下文一样)。 - use_cache (
bool
, optional) — 如果设置为True
,则返回cache_params
并可用于快速生成下一个 logits。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个ModelOutput而不是一个普通的元组。 - cache_position (
torch.LongTensor
of shape(sequence_length)
, optional) — 表示输入序列标记在序列中的位置的索引。与position_ids
不同, 这个张量不受填充的影响。它用于在正确的位置更新缓存并推断 完整的序列长度。 - labels (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于语言建模的标签。请注意,标签在模型内部被移位,即你可以设置labels = input_ids
索引在[-100, 0, ..., config.vocab_size]
中选择。所有设置为-100
的标签 将被忽略(掩码),损失仅针对[0, ..., config.vocab_size]
中的标签计算
返回
transformers.models.mamba.modeling_mamba.MambaCausalLMOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.mamba.modeling_mamba.MambaCausalLMOutput
或一个由
torch.FloatTensor
组成的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种
元素,具体取决于配置(MambaConfig)和输入。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 当提供labels
时返回) — 语言建模损失(用于下一个令牌预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前每个词汇令牌的分数)。 -
cache_params (
MambaCache
) — 模型在最后一个时间步的状态。可以在前向方法中与下一个input_ids
一起使用,以避免提供旧的input_ids
。包括选择性扫描后的状态空间模型状态矩阵和卷积状态。
-
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 由torch.FloatTensor
组成的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每层输出处的隐藏状态加上可选的初始嵌入输出。
MambaForCausalLM 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> import torch
>>> from transformers import AutoTokenizer, MambaForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
>>> model = MambaForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits