Metrici și ajustări ale modelului

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

De ce se folosește un model de referință?

  • Rezultate fără sens

O serie de emoji-uri.

Reinforcement Learning from Human Feedback (RLHF)

Verificarea rezultatelor modelului

Diagramă a procesului RLHF cu verificarea răspunsului.

Reinforcement Learning from Human Feedback (RLHF)

Soluție: divergența KL

Diagramă a procesului RLHF cu divergența KL.

Reinforcement Learning from Human Feedback (RLHF)

Soluție: divergența KL

  • O penalizare este adăugată modelului de recompensă
  • Penalizarea redirecționează modelul dacă produce rezultate irelevante
  • Divergența KL compară modelul curent cu cel de recompensă

O pictogramă reprezentând o balanță.

  • Între 0 și 10, și niciodată negativă
Reinforcement Learning from Human Feedback (RLHF)

Ajustarea parametrilor

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}

 

  • Parametrii sunt transmisi modelului de politică
Reinforcement Learning from Human Feedback (RLHF)

Verificarea modelului de recompensă

  • Verificarea modelului de recompensă

  • Verificarea rezultatelor (recompensă)

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|
Reinforcement Learning from Human Feedback (RLHF)

Verificarea modelului de recompensă

  • 👍 👎 Verificați cazurile extreme
    extreme_positive = reward_model_results[reward_model_results['Reward'] >= 0.9]
extreme_negative = reward_model_results[reward_model_results['Reward'] <= -0.8]

  • 🧘 Asigurați un set de date echilibrat

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

  • 📊 Normalizați modelul de recompensă

    from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(-1, 1))
scaler.fit_transform(reward_model_results[['Reward']])
Reinforcement Learning from Human Feedback (RLHF)

Să exersăm!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...