p

from peft import PromptEncoderConfig, get_peft_model

peft_config = PromptEncoderConfig(task_type="CAUSAL_LM", num_virtual_tokens=20, encoder_hidden_size=128)
model = get_peft_model(model, peft_config)
model.print_trainable_parameters()

prefix

from peft import PrefixTuningConfig, get_peft_model

peft_config = PrefixTuningConfig(task_type="CAUSAL_LM", num_virtual_tokens=20)
model = get_peft_model(model, peft_config)

prompt

from peft import PromptTuningConfig, PromptTuningInit, get_peft_model

prompt_tuning_init_text = "Classify if the tweet is a complaint or no complaint.\n"
peft_config = PromptTuningConfig(
task_type="CAUSAL_LM",
prompt_tuning_init=PromptTuningInit.TEXT,
num_virtual_tokens=len(tokenizer(prompt_tuning_init_text)["input_ids"]),
prompt_tuning_init_text=prompt_tuning_init_text,
tokenizer_name_or_path="bigscience/bloomz-560m",
)
model = get_peft_model(model, peft_config)
这样的只是文本的分类，不需要输出的结果；

task_type

SEQ_CLS (Sequence Classification): 将整个文本序列分配到一个类别中。例如，将一篇文章分类为“体育”、“科技”或“娱乐”。
SEQ_2_SEQ_LM (Sequence-to-Sequence Language Modeling): 将一个序列转换为另一个序列。常用于机器翻译、文本生成和摘要等任务。
CAUSAL_LM (Causal Language Modeling): 用于生成文本的语言模型，每个词的生成只依赖于之前的词。例如，用于生成连贯的段落或对话。
TOKEN_CLS (Token Classification): 将文本中的每个单词或标记分配到一个类别中。例如，命名实体识别（NER），将“纽约”标记为“地点”。
QUESTION_ANS (Question Answering): 从给定的上下文中回答问题。通常包括阅读理解任务，系统需要从一段文本中找出答案。
FEATURE_EXTRACTION: 提取文本的特征或嵌入，这些特征可以用于其他下游任务。通常得到的特征是模型的隐藏状态，可以用作其他任务的输入。