Metryki i dostosowanie modelu

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Mina Parham

AI Engineer

Po co używać modelu referencyjnego?

  • Bezsensowne wyniki

Seria emoji.

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Sprawdzanie wyników modelu

Diagram procesu RLHF ze sprawdzaniem odpowiedzi.

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Rozwiązanie: dywergencja KL

Diagram procesu RLHF z dywergencją KL.

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Rozwiązanie: dywergencja KL

  • Kara jest dodawana do modelu nagród
  • Kara przekierowuje model, gdy generuje niepowiązane wyniki
  • Dywergencja KL porównuje bieżący model z modelem nagród

Ikona wagi.

  • Wartość między 0 a 10, zawsze nieujemna
Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Dostosowanie parametrów

generation_kwargs = {

    "min_length": -1, # don't ignore the EOS token

    "top_k": 0.0, # no top-k sampling

    "top_p": 1.0, 
    "do_sample": True, 
    "pad_token_id": tokenizer.eos_token_id, 
    "max_new_tokens": 32}

 

  • Parametry są przekazywane do modelu polityki
Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Sprawdzanie modelu nagród

  • Sprawdzanie modelu nagród

  • Sprawdzanie wyników (nagrody)

reward_model_results.head()

|ID | Comment                                     |Sentiment |Reward|
|---|---------------------------------------------|----------|------|
| 1 | This event was lit! So much fun!            | Positive |  0.9 |
| 2 | Terrible experience, never attending again. | Negative | -0.8 |
| 3 | It was okay, nothing extraordinary.         | Neutral  |  0.2 |
| 4 | The event was poorly organized and chaotic. | Negative | -0.85|
| 5 | Had an amazing time with great people!      | Positive |  0.95|
Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Sprawdzanie modelu nagród

  • 👍 👎 Sprawdzenie przypadków skrajnych
    extreme_positive = reward_model_results[reward_model_results['Reward'] >= 0.9]
extreme_negative = reward_model_results[reward_model_results['Reward'] <= -0.8]

  • 🧘 Zapewnienie zrównoważonego zbioru danych

    sentiment_distribution = reward_model_results['Sentiment'].value_counts()

  • 📊 Normalizacja modelu nagród

    from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(-1, 1))
scaler.fit_transform(reward_model_results[['Reward']])
Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Czas na ćwiczenia!

Uczenie przez wzmacnianie z informacją zwrotną od człowieka (RLHF)

Preparing Video For Download...