Trening z PPO

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Mina Parham

AI Engineer

Dostrajanie z uczeniem przez wzmacnianie

Wyjściowy LLM i model nagrody w procesie RLHF.

Dostrajanie z uczeniem przez wzmacnianie

Pełny proces RLHF.

Dostrajanie modelu językowego z PPO

Diagram zapytania przekazanego do LLM w celu wygenerowania kontynuacji.

Dostrajanie modelu językowego z PPO

Diagram zapytania przekazanego do LLM, który uzupełnia je frazą: 'we're half way there, oh livin' on a prayer'.

Dostrajanie modelu językowego z PPO

Diagram zapytania przekazanego do LLM, który uzupełnia frazę: 'we're half way there, oh livin' on a prayer', z oceną uzupełnienia przez inny LLM.

Dostrajanie modelu językowego z PPO

PPO: stopniowe dostosowywanie modelu
Zapobiega przeuczeniu na podstawie feedbacku

Robot i ślimak symbolizujące powolne doskonalenie algorytmu.

Implementacja PPOTrainer z 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)

Uruchamianie pętli treningowej

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)

Czas na ćwiczenia!

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)