Training con PPO

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Fine-tuning con reinforcement learning

Il LLM iniziale e il modello di ricompensa nel processo RLHF.

Fine-tuning con reinforcement learning

L'intero processo RLHF.

Fine-tuning di un Language Model con PPO

Schema di una query data a un LLM per generare una continuazione.

Fine-tuning di un Language Model con PPO

Schema di una query data a un LLM che completa: 'we're half way there, oh livin' on a prayer'.

Fine-tuning di un Language Model con PPO

Schema di una query data a un LLM che completa: 'we're half way there, oh livin' on a prayer', con un altro LLM che valuta la risposta.

Fine-tuning di un Language Model con PPO

PPO: aggiustamenti graduali al modello
Evita l'overfitting al feedback

Un robot e una lumaca che rappresentano il lento miglioramento dell'algoritmo.

Implementare PPOTrainer con TRL

from trl import PPOConfig
config = PPOConfig(model_name="gpt2",learning_rate=1.4e-5)

from trl import AutoModelForCausalLMWithValueHead
model = AutoModelForCausalLMWithValueHead.from_pretrained(config.model_name)
tokenizer = AutoTokenizer.from_pretrained(config.model_name)

from trl import PPOTrainer
ppo_trainer = PPOTrainer(model=model,config=config,dataset=dataset,
                         tokenizer=tokenizer)

Avvio del training loop

for epoch in tqdm(range(10), "epoch: "):


  for batch in tqdm(ppo_trainer.dataloader):

    # Get responses
    response_tensors = ppo_trainer.generate(batch["input_ids"])

    batch["response"] = [tokenizer.decode(r.squeeze()) for r in response_tensors]

    # Compute reward score
    texts = [q + r for q, r in zip(batch["query"], batch["response"])]

    rewards = reward_model(texts)

    stats = ppo_trainer.step(query_tensors, response_tensors, rewards)
    ppo_trainer.log_stats(stats, batch, rewards)

Esercitiamoci!

Reinforcement Learning from Human Feedback (RLHF)