Wydajne dostrajanie w RLHF

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Mina Parham

AI Engineer

Parametrooszczędne dostrajanie

Dostrajanie pełnego modelu

Ilustracja przedstawiająca sieć neuronową.

Parametrooszczędne dostrajanie

Dostrajanie z PEFT

Ilustracja przedstawiająca sieć neuronową z zamrożoną większością parametrów.

LoRA: dostosowuje tylko kilka warstw
Kwantyzacja: obniża precyzję typu danych

Krok 1: wczytaj aktywny model w precyzji 8-bitowej

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)

Krok 2: dodaj dodatkowe adaptery trenowalne za pomocą peft

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)

Krok 3: użyj jednego modelu dla logitów referencyjnych i aktywnych

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
)

Czas na ćwiczenia!

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)