RLHF における効率的なファインチューニング

人間のフィードバックによる強化学習（RLHF）

Mina Parham

AI Engineer

パラメータ効率の高いファインチューニング

フルモデルのファインチューニング

ニューラルネットワークを表す図。

パラメータ効率の高いファインチューニング

PEFT によるファインチューニング

大半のパラメータが凍結されたニューラルネットワークの図。

LoRA: 一部の層だけを更新
量子化: データ型の精度を下げる

手順1: アクティブモデルを 8-bit 精度で読み込む

from peft import prepare_model_for_int8_training


pretrained_model = AutoModelForCausalLM.from_pretrained(
                                                        model_name, 
                                                        load_in_8bit=True
                                                       )

pretrained_model_8bit = prepare_model_for_int8_training(pretrained_model)

手順2: peft で学習可能なアダプタを追加

from peft import LoraConfig, get_peft_model


config = LoraConfig(

    r=32, # Rank of the low-rank matrices

    lora_alpha=32, # Scaling factor for the LoRA updates

    lora_dropout=0.1, # Dropout rate for LoRA layers

    bias="lora_only"# Only update bias terms for LoRA layers, others remain frozen

)


lora_model = get_peft_model(pretrained_model_8bit, config)
model = AutoModelForCausalLMWithValueHead.from_pretrained(lora_model)

手順3: 参照とアクティブの両方のロジットに同一モデルを使用

ppo_trainer = PPOTrainer(
    config, # The config we just defined
    model, # Our PPO model
    ref_model=None, 
    tokenizer=tokenizer, 
    dataset=dataset, 
    data_collator=collator, 
    optimizer=optimizer
)

練習しましょう！

人間のフィードバックによる強化学習（RLHF）