torchtune.modules¶

组件和构建块建模¶

`因果自我注意`	https://arxiv.org/abs/2305.13245v1 中引入的多头分组查询自注意力（GQA）层。
`前馈`	此类实现从 Llama2 派生的前馈网络。
`KVCache`	Standalone 包含 kv-cache，用于在推理期间缓存过去的 key 和值。`nn.Module`
`get_cosine_schedule_with_warmup`	创建一个学习率计划，在 num_warmup_steps 年内将学习率从 0.0 线性增加到 lr，然后在剩余的 num_training_steps-num_warmup_steps 中按余弦计划降低到 0.0（假设 num_cycles = 0.5）。
`RotaryPositionalEmbeddings （旋转位置嵌入）`	此类实现了 https://arxiv.org/abs/2104.09864 中提出的旋转位置嵌入（RoPE）。
`RMS数字`	实施 https://arxiv.org/abs/1910.07467 中引入的均方根归一化。
`TransformerDecoderLayer`	从 Llama2 模型派生的变压器层。
`TransformerDecoder （变压器解码器）`	源自 Llama2 架构的 Transformer Decoder。

Base 分词器是执行文本直接编码的分词器模型转换为令牌 ID 并将令牌 ID 解码为文本。这些通常是字节对编码，这些编码是特定于模型的分词器。

`分词器。SentencePieceBaseTokenizer`	一个围绕 SentencePieceProcessor 的轻量级包装器，还处理前导空格的修剪。
`分词器。TikTokenBaseTokenizer`	tiktoken Encoding 的轻量级包装器。

这些是任何分词器都可以使用的帮助程序方法。

`tokenizers.tokenize_messages_no_special_tokens`	一次对消息列表进行标记化，然后将它们连接起来，返回标记列表和掩码列表。
`tokenizers.parse_hf_tokenizer_json`	解析 Hugging Face 模型中的文件，以提取特殊标记 str 到 id 的映射。`tokenizer.json`

`佩夫特。LoRALinear`	LoRA 线性层，如 LoRA：大型语言模型的低秩适应。
`佩夫特。适配器模块`	nn.包含适配器权重的模块。
`peft.get_adapter_params`	从模型中返回与适配器对应的参数子集。
`peft.set_trainable_params`	为 nn.基于适配器参数的状态字典的模块。
`peft.validate_missing_and_unexpected_for_lora`	一种更节省内存的方法，用于验证 LoRA state dict 加载是否已正确完成。
`peft.validate_state_dict_for_lora`	验证 LoRA 模型的状态 dict 键是否符合预期。
`peft.disable_adapter`	暂时禁用神经网络模型中的适配器。

这些是所有模块通用的实用程序，可供所有模块使用。

一个 state_dict 钩子，用于将 NF4 张量替换为其恢复的更高精度权重，并可选择将恢复的权重卸载到 CPU。

直接偏好优化（DPO）损失模块：https://arxiv.org/abs/2305.18290。