lora_phi3

torchtune.models.phi3.lora_phi3(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, intermediate_dim: int, max_seq_len: 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

返回一个 Phi3 版本（TransformerDecoder() 的实例），其中应用了 LoRA，具体取决于传入的配置。

参数:

• lora_attn_modules (List[LORA_ATTN_MODULES]) – LoRA 应应用于每个自注意力块中的哪些线性层的列表。选项是 {"q_proj", "k_proj", "v_proj", "output_proj"}.

• apply_lora_to_mlp (bool) – 是否将 LoRA 应用于每个 Transformer 层中的 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) – 键值头数量。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

• intermediate_dim (int) – MLP 的中间维度

• max_seq_len (int) – 模型运行的最大序列长度，由 KVCache() 使用

• attn_dropout (float) – 传递给 scaled_dot_product_attention 的 dropout 值。默认值：0.0

• norm_eps (float) – RMS 规范化中的 epsilon。

• rope_base (int) – 旋转位置嵌入的基值。默认值：10000

• 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: Weight-Decomposed Low-Rank Adaptation” (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:

使用 LoRA 应用于每层中部分注意力投影的 Llama3 模型实例。

返回类型:

TransformerDecoder