Метрики модели и настройки

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

Mina Parham

AI Engineer

Зачем нужна референсная модель?

Бессмысленные выходные данные

Набор эмодзи.

Проверка выходных данных модели

Диаграмма процесса RLHF с проверкой ответа.

Решение: KL-дивергенция

Диаграмма процесса RLHF с KL-дивергенцией.

Решение: KL-дивергенция

Штраф добавляется к модели вознаграждения
Штраф перенаправляет модель при нерелевантных ответах
KL-дивергенция сравнивает текущую модель и модель вознаграждения

Иконка весов.

Значения от 0 до 10, никогда не отрицательные

Настройка параметров

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}

Параметры передаются в политическую модель

Проверка модели вознаграждения

Проверка модели вознаграждения
Проверка выходных данных (вознаграждение)

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|

Проверка модели вознаграждения

👍 👎 Проверьте крайние случаи

extreme_positive = reward_model_results[reward_model_results['Reward'] >= 0.9]
extreme_negative = reward_model_results[reward_model_results['Reward'] <= -0.8]

🧘 Убедитесь в сбалансированности набора данных
```
sentiment_distribution = reward_model_results['Sentiment'].value_counts()
```

📊 Нормализуйте модель вознаграждения

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

Давайте потренируемся!

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