PPO での学習

人間のフィードバックによる強化学習（RLHF）

Mina Parham

AI Engineer

強化学習による微調整

RLHF プロセスの初期 LLM と報酬モデル。

強化学習による微調整

RLHF の全体プロセス。

PPO による言語モデルの微調整

LLM にクエリを与え、その継続を生成する図。

PPO による言語モデルの微調整

LLM にクエリを与え、"we're half way there, oh livin' on a prayer" と補完する図。

PPO による言語モデルの微調整

LLM にクエリを与え、"we're half way there, oh livin' on a prayer" と補完し、別の LLM が評価する図。

PPO による言語モデルの微調整

PPO: モデルを段階的に調整
フィードバックへの過学習を防止

アルゴリズムのゆるやかな改善を表すロボットとカタツムリ。

TRL での PPOTrainer 実装

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)

学習ループの開始

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)

Ayo berlatih!

人間のフィードバックによる強化学習（RLHF）