Mamba 130m Hf

🚀 Mamba

本倉庫包含與 transformers 兼容的 mamba-2.8b 模型。模型的檢查點未作改動，但完整的 config.json 文件和分詞器已上傳至本倉庫。

🚀 快速開始

在 transformers=4.39.0 版本發佈之前，你需要從 main 分支安裝 transformers：

pip install git+https://github.com/huggingface/transformers@main

我們還建議你使用以下命令安裝 causal_conv_1d 和 mamba-ssm：

pip install causal-conv1d>=1.2.0
pip install mamba-ssm

如果這兩個庫中有任何一個未安裝，將使用 “eager” 實現；否則，將使用更優化的 cuda 內核。

💻 使用示例

基礎用法

你可以使用經典的 generate API 進行文本生成：

>>> from transformers import MambaConfig, MambaForCausalLM, AutoTokenizer
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
>>> model = MambaForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
>>> input_ids = tokenizer("Hey how are you doing?", return_tensors="pt")["input_ids"]

>>> out = model.generate(input_ids, max_new_tokens=10)
>>> print(tokenizer.batch_decode(out))
["Hey how are you doing?\n\nI'm so glad you're here."]

高級用法

使用 peft 庫進行微調時，建議將模型保持為 float32 格式：

from datasets import load_dataset
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments
tokenizer = AutoTokenizer.from_pretrained("state-spaces/mamba-130m-hf")
model = AutoModelForCausalLM.from_pretrained("state-spaces/mamba-130m-hf")
dataset = load_dataset("Abirate/english_quotes", split="train")
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    logging_dir='./logs',
    logging_steps=10,
    learning_rate=2e-3
)
lora_config =  LoraConfig(
        r=8,
        target_modules=["x_proj", "embeddings", "in_proj", "out_proj"],
        task_type="CAUSAL_LM",
        bias="none"
)
trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    args=training_args,
    peft_config=lora_config,
    train_dataset=dataset,
    dataset_text_field="quote",
)
trainer.train()