lora_llama3_1¶
- torchtune.models.llama3_1.lora_llama3_1(lora_attn_modules: List[Literal['q_proj', 'k_proj', 'v_proj', 'output_proj']], apply_lora_to_mlp: bool = False, apply_lora_to_output: bool = False, *, vocab_size: int, num_layers: int, num_heads: int, num_kv_heads: int, embed_dim: int, max_seq_len: int, intermediate_dim: Optional[int] = None, attn_dropout: float = 0.0, norm_eps: float = 1e-05, rope_base: int = 500000, scale_factor: int = 8, lora_rank: int, lora_alpha: float, lora_dropout: float = 0.0, use_dora: bool = False, quantize_base: bool = False) TransformerDecoder[源代码]¶
返回 Llama3.1 的一个版本（
TransformerDecoder()的实例），其中应用了 LoRA，基于传入的配置。- 参数：
lora_attn_modules (List[LORA_ATTN_MODULES]) – 每个自注意力块中应应用 LoRA 的线性层列表。选项为
{"q_proj", "k_proj", "v_proj", "output_proj"}.apply_lora_to_mlp (bool) – 是否将 LoRA 应用于每个 Transformer 层的 MLP。默认值：False
apply_lora_to_output (bool) – 是否将 LoRA 应用于模型的最终输出投影。默认值：False
vocab_size (int) – 词汇表中的令牌数量。
num_layers (int) – Transformer 解码器中的层数。
num_heads (int) – 查询头的数量。对于 MHA，这也是键和值的头的数量
num_kv_heads (int) – 键和值的头的数量。用户应确保 num_heads % num_kv_heads == 0。对于标准 MHA，将 num_kv_heads 设置为 num_heads，对于 GQA，num_kv_heads < num_heads，对于 MQA，将 num_kv_heads 设置为 1。
embed_dim (int) – 自注意力的嵌入维度
attn_dropout (float) – 传递给 scaled_dot_product_attention 的 dropout 值。默认值：0.0
intermediate_dim (Optional[int]) – MLP 的中间维度。如果未指定，则使用
scale_hidden_dim_for_mlp()计算。norm_eps (float) – RMS 规范中的 epsilon。
rope_base (int) – 旋转位置嵌入的基数。默认值：500_000
scale_factor (int) – RoPE 的缩放因子。默认值：8
lora_rank (int) – 每个低秩近似的秩
lora_alpha (float) – 低秩近似的缩放因子
lora_dropout (float) – LoRA dropout 概率。默认值：0.0
use_dora (bool) – 是否使用 DoRA 层而不是 LoRA 层。默认值为
False。quantize_base – (bool): 是否对基础模型权重进行量化。仅应用于 LoRA 应用的线性层中的基础权重。目前不支持对最终输出线性投影进行量化。
- Returns:
将 LoRA 应用于每一层中的一部分注意力投影的 Llama3.1 模型的实例。
- Return type:
