Mamba 2
概述
Mamba2模型由Tri Dao和Albert Gu在Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality中提出。它是一个类似于Mamba 1的状态空间模型,在简化的架构中具有更好的性能。
论文的摘要如下:
虽然Transformer一直是深度学习在语言建模中取得成功的主要架构,但最近研究表明,像Mamba这样的状态空间模型(SSMs)在小到中等规模上已经能够与Transformer匹敌甚至超越。我们展示了这些模型家族实际上非常密切相关,并通过深入研究一类结构化的半可分矩阵的各种分解,开发了一个丰富的理论框架,将SSMs与注意力机制的变体联系起来。我们的状态空间对偶性(SSD)框架使我们能够设计一种新的架构(Mamba-2),其核心层是对Mamba的选择性SSM的改进,速度提高了2-8倍,同时在语言建模方面继续与Transformer竞争。
提示:
此版本应支持所有Mamba 2的实现,特别是来自Mistral AI的Mamba-2 codestral。特别是,Mamba 2 codestral发布时带有8个groups
,可以直观地认为这与基于注意力模型中的kv头数量相似。
该模型有两种不同的前向传递方式,torch_forward
或cuda_kernels_forward
。后者如果在您的环境中找到原始的cuda内核,则会使用它们,并且在预填充时较慢,即由于高CPU开销需要“预热运行”,请参见这里和这里。在没有编译的情况下,torch_forward
实现的速度快3到4倍。此外,该模型中没有位置嵌入,但有一个attention_mask
和特定的逻辑来在批量生成的情况下在两个地方屏蔽隐藏状态,请参见这里。因此,除了重新实现mamba2内核外,批量生成和缓存生成预计会有轻微差异。此外,cuda内核或torch前向传递的结果预计会略有不同。SSM算法严重依赖于张量收缩,这些收缩有矩阵乘法等效,但操作顺序略有不同,使得在较小精度下差异更大。
另一个注意事项,对应于填充标记的隐藏状态的关闭在两个地方完成,并且主要在左填充的情况下进行了测试。右填充会传播噪声,并且不能保证产生令人满意的结果。tokenizer.padding_side = "left"
确保您使用的是正确的填充侧。
该模型由Molbap贡献,并得到了Anton Vlasjuk的大力帮助。 原始代码可以在这里找到。
用法
一个简单的生成示例:
from transformers import Mamba2Config, Mamba2ForCausalLM, AutoTokenizer
import torch
model_id = 'mistralai/Mamba-Codestral-7B-v0.1'
tokenizer = AutoTokenizer.from_pretrained(model_id, revision='refs/pr/9', from_slow=True, legacy=False)
model = Mamba2ForCausalLM.from_pretrained(model_id, revision='refs/pr/9')
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))
这是一个用于微调的草稿脚本:
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoTokenizer, Mamba2ForCausalLM, TrainingArguments
model_id = 'mistralai/Mamba-Codestral-7B-v0.1'
tokenizer = AutoTokenizer.from_pretrained(model_id, revision='refs/pr/9', from_slow=True, legacy=False)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "left" #enforce padding side left
model = Mamba2ForCausalLM.from_pretrained(model_id, revision='refs/pr/9')
dataset = load_dataset("Abirate/english_quotes", split="train")
# Without CUDA kernels, batch size of 2 occupies one 80GB device
# but precision can be reduced.
# Experiments and trials welcome!
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=2,
logging_dir='./logs',
logging_steps=10,
learning_rate=2e-3
)
lora_config = LoraConfig(
r=8,
target_modules=["embeddings", "in_proj", "out_proj"],
task_type="CAUSAL_LM",
bias="none"
)
trainer = SFTTrainer(
model=model,
tokenizer=tokenizer,
args=training_args,
peft_config=lora_config,
train_dataset=dataset,
dataset_text_field="quote",
)
trainer.train()
Mamba2Config
类 transformers.Mamba2Config
< source >( num_heads = 128 head_dim = 64 vocab_size = 32768 hidden_size = 4096 state_size = 128 num_hidden_layers = 64 layer_norm_epsilon = 1e-05 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 expand = 2 conv_kernel = 4 n_groups = 8 use_bias = False use_conv_bias = True hidden_act = 'silu' initializer_range = 0.1 residual_in_fp32 = True time_step_rank = 'auto' time_step_min = 0.001 time_step_max = 0.1 time_step_floor = 0.0001 time_step_limit = (0.0, inf) rescale_prenorm_residual = False use_cache = True rms_norm = True chunk_size = 256 tie_word_embeddings = False **kwargs )
参数
- num_heads (
int
, optional, defaults to 128) — mamba 2 的进化矩阵的头数。 - head_dim (
int
, optional, defaults to 64) — 每个头的维度。 - vocab_size (
int
, 可选, 默认为 32768) — MAMBA2 模型的词汇量大小。定义了可以通过调用 Mamba2Model 时传递的inputs_ids
表示的不同标记的数量。 - hidden_size (
int
, optional, defaults to 4096) — 嵌入和隐藏状态的维度。 - state_size (
int
, 可选, 默认为 128) — 状态空间潜变量的形状. - num_hidden_layers (
int
, optional, defaults to 64) — 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
, optional, 默认为 1) — 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 2) — 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. - n_groups (
int
, 可选, 默认为 8) — mamba 2 的进化矩阵的组数。 - 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
, 可选, 默认为"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - initializer_range (
float
, optional, 默认为 0.1) — 用于初始化所有权重矩阵的 truncated_normal_initializer 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_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_floor (
float
, 可选, 默认值为 0.0001) —dt_proj.bias
层初始化的最小钳位值。 - time_step_limit (
tuple
, optional, defaults to(0.0, inf)
) — 接受的时间步长值范围。 - 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。 - rms_norm (
bool
, optional, defaults toTrue
) — 是否使用RMS归一化。 - chunk_size (
int
, optional, defaults to 256) — 组成序列的块的大小。 - tie_word_embeddings (
bool
, optional, defaults toFalse
) — 是否绑定词嵌入。
这是用于存储Mamba2Model配置的配置类。它用于根据指定的参数实例化一个MAMBA2模型,定义模型架构。使用默认值实例化配置将产生与MAMBA2 state-spaces/mamba2-2.8b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 Mamba2Config, Mamba2Model
>>> # Initializing a Mamba2 configuration
>>> configuration = Mamba2Config()
>>> # Initializing a model (with random weights) from the configuration
>>> model = Mamba2Model(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Mamba2Model
类 transformers.Mamba2Model
< source >( config )
参数
- config (Mamba2Config) — 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。
裸的MAMBA2模型变压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.models.mamba2.modeling_mamba2.Mamba2Cache] = 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.Tensor] = None **kwargs ) → transformers.models.mamba2.modeling_mamba2.Mamba2Output
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权,而不是使用模型的内部嵌入查找矩阵,这将非常有用。 - cache_params (
Mamba2Cache
, 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
, 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(batch_size,)
, optional) — 当前输入在缓存中的位置。这用于确保缓存正确更新。 如果传递了cache_params
,则也应传递cache_position
。 - attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — Mask to avoid performing attention on padding token indices. Mask values selected in[0, 1]
:- 1 for tokens that are not masked,
- 0 for tokens that are masked.
返回
transformers.models.mamba2.modeling_mamba2.Mamba2Output
或 tuple(torch.FloatTensor)
一个 transformers.models.mamba2.modeling_mamba2.Mamba2Output
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(Mamba2Config)和输入。
-
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 (
Mamba2Cache
) — 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, 当传递了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)
。模型在每一层输出处的隐藏状态加上可选的初始嵌入输出。
Mamba2Model 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, Mamba2Model
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> model = Mamba2Model.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
Mamba2LMHeadModel
类 transformers.Mamba2ForCausalLM
< source >( config )
参数
- config (Mamba2Config) — 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。
MAMBA2模型转换器,顶部带有语言建模头(线性层的权重未与输入嵌入绑定)。
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 inputs_embeds: typing.Optional[torch.FloatTensor] = None cache_params: typing.Optional[transformers.models.mamba2.modeling_mamba2.Mamba2Cache] = 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 attention_mask: typing.Optional[torch.Tensor] = None **kwargs ) → transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutput
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 (
Mamba2Cache
, 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
, 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(batch_size,)
, optional) — 当前输入在缓存中的位置。这用于确保缓存被正确更新。 如果传递了cache_params
,则也应传递cache_position
。 - attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — Mask to avoid performing attention on padding token indices. Mask values selected in[0, 1]
:- 1 for tokens that are not masked,
- 0 for tokens that are masked.
- 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.mamba2.modeling_mamba2.Mamba2CausalLMOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.mamba2.modeling_mamba2.Mamba2CausalLMOutput
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(Mamba2Config)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(用于下一个标记预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前每个词汇标记的分数)。 -
cache_params (
Mamba2Cache
) — 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,+ 一个用于每一层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态加上可选的初始嵌入输出。
Mamba2ForCausalLM 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, Mamba2ForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> model = Mamba2ForCausalLM.from_pretrained("mistralai/mamba-codestral-7B-v0.1")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits