Подготовка данных для RLHF

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

Mina Parham

AI Engineer

Наборы данных предпочтений и промптов

Полный процесс RLHF.

Наборы данных предпочтений и промптов

Полный процесс RLHF с начальным набором данных промптов.

Наборы данных предпочтений и промптов

Полный процесс RLHF с начальным набором данных промптов и набором данных предпочтений для модели вознаграждения.

Набор данных промптов

Вопросы для модели
Доступны на Hugging Face datasets

prompt_data = load_dataset("center-for-humans-and-machines/rlhf-hackathon-prompts", 
                           split="train")
prompt_data['prompt'][0]

'How important is climate change?'

Может потребоваться извлечение промпта
Ищите маркеры: Input=, {{Text}}:, ###Human:

Изучение набора данных предпочтений

from datasets import load_dataset
preference_data = load_dataset("trl-internal-testing/hh-rlhf-helpful-base-trl-style", 
                               split="train")

Снимок экрана платформы Hugging Face с набором данных hh-rlhf.

Обработка набора данных предпочтений

def extract_prompt(text):
    # Extract the prompt as the first element in the list
    prompt = text[0]["content"]
    return prompt

# Apply the extraction function to the dataset
preference_data_with_prompt = preference_data.map(
    lambda example: {**example, 'prompt': extract_prompt(example['chosen'])}
)

Способ извлечения промптов различается в зависимости от набора данных

Итоговый набор данных предпочтений

sample = preference_data_with_prompt.select(range(1))
sample['prompt']

'What vitamins are essential for the body to function?'

sample['chosen']

[ { "content": "What vitamins are essential for the body to function?", "role": 
   "user" }, { "content": "There are some very important vitamins that ensure the 
   proper functioning of the body, including Vitamins A, C, D, E, and K along ...}]

Давайте потренируемся!

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