如何在Sentence Transformers项目中合并并保存PEFT微调后的模型
2025-05-13 22:56:20作者:郜逊炳
在自然语言处理领域,Sentence Transformers是一个广泛使用的框架,用于训练和使用句子嵌入模型。随着大语言模型(LLM)的兴起,参数高效微调(PEFT)技术,特别是LoRA(Low-Rank Adaptation),已成为微调大型模型的重要方法。本文将详细介绍如何在Sentence Transformers项目中正确合并并保存经过PEFT微调的模型。
PEFT与LoRA技术简介
PEFT(Parameter-Efficient Fine-Tuning)是一类参数高效微调技术,它允许我们在只更新少量参数的情况下微调大型预训练模型。LoRA是其中最具代表性的方法之一,它通过向模型添加低秩适配器来实现微调,而不是直接修改原始模型参数。
这种方法的主要优势在于:
- 显著减少训练所需的显存
- 大幅降低需要保存的检查点大小
- 保持原始模型的性能
在Sentence Transformers中使用LoRA
在Sentence Transformers中集成LoRA适配器相对简单。以下是一个典型的适配器添加示例:
from peft import LoraConfig, TaskType
from sentence_transformers import SentenceTransformer
peft_config = LoraConfig(
task_type=TaskType.FEATURE_EXTRACTION,
inference_mode=False,
r=8, # 低秩矩阵的秩
lora_alpha=32, # 缩放因子
lora_dropout=0.1, # Dropout率
)
model = SentenceTransformer("base-model-name")
model.add_adapter(peft_config)
模型合并的关键步骤
训练完成后,我们通常希望将LoRA适配器与基础模型合并,得到一个完整的模型。以下是正确的方法:
# 获取Transformer/PEFT底层模型并合并
model[0].auto_model = model[0].auto_model.merge_and_unload()
# 重要:设置此标志以确保正确保存
model[0].auto_model._hf_peft_config_loaded = False
# 保存合并后的模型
model.save_pretrained("merged_model")
处理特殊模型的情况
对于某些特定架构的模型(如Qwen2),直接合并可能会遇到问题。这时可以采用以下工作流程:
- 首先保存适配器模型
- 然后重新加载为SentenceTransformer模型
- 最后执行合并操作
# 训练完成后保存适配器
model.save_pretrained("adapter_model")
# 重新加载适配器
merged_model = SentenceTransformer("adapter_model", trust_remote_code=True)
# 合并并保存最终模型
merged_model[0].auto_model = merged_model[0].auto_model.merge_and_unload()
merged_model[0].auto_model._hf_peft_config_loaded = False
merged_model.save_pretrained("final_model")
最佳实践建议
- 保留适配器检查点:始终先保存适配器模型,以防合并过程中出现问题
- 验证合并结果:合并后应检查模型输出是否与合并前一致
- 注意模型兼容性:某些模型架构可能需要特殊处理
- 资源管理:合并大模型时需要足够的内存和存储空间
通过遵循这些步骤和最佳实践,研究人员和开发者可以有效地在Sentence Transformers框架中使用PEFT技术微调大型语言模型,并正确保存合并后的结果,从而在实际应用中部署这些模型。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8