Effektiv finjustering i RLHF

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Parametereffektiv finjustering

  • Finjustering av en fullständig modell

Illustration som föreställer ett neuralt nätverk.

Reinforcement Learning from Human Feedback (RLHF)

Parametereffektiv finjustering

  • Finjustering med PEFT

Illustration som föreställer ett neuralt nätverk med de flesta parametrar frysta.

  • LoRA: justerar endast ett fåtal lager
  • Kvantiering: sänker datatypsprecisionen
Reinforcement Learning from Human Feedback (RLHF)

Steg 1: ladda den aktiva modellen med 8-bitarsprecision

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)
Reinforcement Learning from Human Feedback (RLHF)

Steg 2: lägg till träningsbara adaptrar med 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)
Reinforcement Learning from Human Feedback (RLHF)

Steg 3: använd en modell för referens- och aktiva logits

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
)
Reinforcement Learning from Human Feedback (RLHF)

Nu kör vi en övning!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...