使用 PPO 訓練

Reinforcement Learning from Human Feedback（RLHF）

Mina Parham

AI Engineer

以強化學習進行微調

RLHF 流程中的初始 LLM 與回饋模型。

以強化學習進行微調

完整的 RLHF 流程。

用 PPO 微調語言模型

將查詢提供給 LLM 以產生延續內容的示意圖。

用 PPO 微調語言模型

將查詢提供給 LLM，模型補全：『we're half way there, oh livin' on a prayer』的示意圖。

用 PPO 微調語言模型

將查詢提供給 LLM，補全為『we're half way there, oh livin' on a prayer』，並由另一個 LLM 評估補全的示意圖。

用 PPO 微調語言模型

PPO：讓模型逐步調整
避免對回饋過度擬合

機器人與蝸牛，象徵演算法緩步精進。

用 TRL 實作 PPOTrainer

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)

啟動訓練迴圈

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)

一起來練習吧！

Reinforcement Learning from Human Feedback（RLHF）