lora_mistral¶
- torchtune.models.mistral.lora_mistral(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: int, attn_dropout: float = 0.0, norm_eps: float = 1e-05, rope_base: int = 10000, lora_rank: int, lora_alpha: float, lora_dropout: float = 0.0, use_dora: bool = False, quantize_base: bool = False) TransformerDecoder[source]¶
返回 Mistral 的版本（
TransformerDecoder()的实例），其中根据传递的配置应用了 LoRA。- 参数：
lora_attn_modules (List[LORA_ATTN_MODULES]) – 每个自注意力块中应该应用 LoRA 的线性层的列表。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) – 词汇表中标记的数量。
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) – 键值头的数量。用户应确保 num_heads % num_kv_heads == 0。对于标准 MHA 设置 num_kv_heads == num_heads，对于 GQA num_kv_heads < num_heads，对于 MQA 设置 num_kv_heads == 1。
embed_dim (int) – 自注意力机制的嵌入维度。
max_seq_len (int) – 模型将运行的最大序列长度。
intermediate_dim (int) – MLP 的中间维度。
attn_dropout (float) – 传递到 scaled_dot_product_attention 的 dropout 值。默认值：0.0。
norm_eps (float) – RMS 规范中的 epsilon 值。
rope_base (int) – 旋转位置嵌入的基数。默认值：10_000。
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) – 将 LoRA 权重分解为幅度和方向，如“DoRA：权重分解低秩适应” (https://arxiv.org/abs/2402.09353) 中介绍。
quantize_base – (bool): 是否对基础模型权重进行量化。仅应用于 LoRA 应用于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。
- 返回:
对 Mistral 模型进行实例化，并对每一层中一部分注意力投影应用 LoRA。
- 返回类型:
