Эффективная дообучение в RLHF

Обучение с подкреплением на основе обратной связи от людей (RLHF)

Mina Parham

AI Engineer

Параметрически эффективное дообучение

Дообучение полной модели

Иллюстрация нейронной сети.

Параметрически эффективное дообучение

Дообучение с PEFT

Иллюстрация нейронной сети с заморозкой большинства параметров.

LoRA: обновляет лишь несколько слоёв
Квантование: снижает точность типов данных

Шаг 1: загрузка активной модели в 8-битной точности

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)

Шаг 2: добавление обучаемых адаптеров с помощью 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)

Шаг 3: использование одной модели для эталонных и активных логитов

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
)

Давайте потренируемся!

Обучение с подкреплением на основе обратной связи от людей (RLHF)