การฝึกด้วย PPO

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Fine-Tuning ด้วย Reinforcement Learning

LLM เริ่มต้นและโมเดลรางวัลในกระบวนการ RLHF

Fine-Tuning ด้วย Reinforcement Learning

กระบวนการ RLHF แบบครบวงจร

Fine-Tuning Language Model ด้วย PPO

ไดอะแกรมของ query ที่ส่งให้ LLM เพื่อสร้างข้อความต่อเนื่อง

Fine-Tuning Language Model ด้วย PPO

ไดอะแกรมของ query ที่ส่งให้ LLM โดย LLM สร้างข้อความต่อจาก 'we're half way there, oh livin' on a prayer'

Fine-Tuning Language Model ด้วย PPO

ไดอะแกรมของ query ที่ส่งให้ LLM โดย LLM สร้างข้อความต่อจาก 'we're half way there, oh livin' on a prayer' และมี LLM อีกตัวประเมินผลลัพธ์

Fine-Tuning Language Model ด้วย PPO

PPO: ปรับโมเดลทีละน้อย
ป้องกัน overfitting จาก feedback

หุ่นยนต์และหอยทากแทนการปรับปรุงอัลกอริทึมอย่างช้าๆ

การใช้งาน PPOTrainer กับ TRL

from trl import PPOConfig
config = PPOConfig(model_name="gpt2",learning_rate=1.4e-5)

from trl import AutoModelForCausalLMWithValueHead
model = AutoModelForCausalLMWithValueHead.from_pretrained(config.model_name)
tokenizer = AutoTokenizer.from_pretrained(config.model_name)

from trl import PPOTrainer
ppo_trainer = PPOTrainer(model=model,config=config,dataset=dataset,
                         tokenizer=tokenizer)

เริ่มต้น Training Loop

for epoch in tqdm(range(10), "epoch: "):


  for batch in tqdm(ppo_trainer.dataloader):

    # Get responses
    response_tensors = ppo_trainer.generate(batch["input_ids"])

    batch["response"] = [tokenizer.decode(r.squeeze()) for r in response_tensors]

    # Compute reward score
    texts = [q + r for q, r in zip(batch["query"], batch["response"])]

    rewards = reward_model(texts)

    stats = ppo_trainer.step(query_tensors, response_tensors, rewards)
    ppo_trainer.log_stats(stats, batch, rewards)

มาฝึกกันเถอะ!

Reinforcement Learning from Human Feedback (RLHF)