LoRALinear

class torchtune.modules.peft.LoRALinear(in_dim: int, out_dim: int, rank: int, alpha: float, dropout: float = 0.0, use_bias: bool = False, quantize_base: bool = False, **quantization_kwargs)

LoRA 线性层，如 LoRA: Large Language Models 的低秩自适应 中介绍的那样。

LoRA 通过低秩近似扰动给定的层，其中只有秩分解矩阵是可训练的。在线性层中，LoRALinear 层不是 \(x \mapsto W_0x\)，而是定义为 \(x \mapsto W_0x + (\alpha / r)BAx\)，其中 \(r\) 是矩阵 \(A\) 和 \(B\) 的秩，\(\alpha\) 是比例因子。与原始实现一样，我们支持在与低秩矩阵相乘之前进行 dropout。

参数:

• in_dim (int) – 输入维度

• out_dim (int) – 输出维度

• rank (int) – 低秩近似的秩

• alpha (float) – 低秩近似的比例因子

• dropout (float) – dropout 概率。默认值：0.0

• use_bias (bool) – 是否在原始线性层中包含偏置。默认值：False

• quantize_base (bool) – 是否量化基础线性权重。默认值：False

• **quantization_kwargs – 量化基础线性权重时传递给 to_nf4 的关键字参数。有效参数的示例包括 block_size 和 scaler_block_size，它们分别控制权重量化和标量量化的粒度。这仅在 quantize_base 为 True 时使用。默认值 None

Raises:

ValueError – 如果 quantize_base 为 False，但提供了量化 kwargs。

adapter_params() → List[str]

返回与来自适配器的模型中 nn.Parameter 的名称相对应的字符串列表。

对于 LoRA，这意味着 lora_a.weight 和 lora_b.weight。

forward(x: Tensor) → Tensor

参数:

x (torch.Tensor) – 输入张量，形状为 (..., in_dim)

Returns:

输出张量，形状为 (..., out_dim)

Return type:

torch.Tensor

to_empty(*, device: Optional[Union[str, device, int]], recurse: bool = True)

将参数和缓冲区移动到指定的设备，而不复制存储。

参数:

• device (torch.device) – 此模块中参数和期望缓冲区的设备。

• recurse (bool) – 子模块的参数和缓冲区是否应递归移动到指定设备。

Returns:

self

Return type:

模块