大模型 RLHF 实战!【OpenAI独家绝技RLHF!RLHF的替代算法DPO!Claude 暗黑科技 RAIHF!】

大模型 RLHF 实战

    • 大模型 RLHF 实战
    • RLHF:OpenAI独家绝技
      • RLHF 的问题
    • DPO 直接偏好优化算法:RLHF的替代算法
      • 公式 1 - 4:KL散度下奖励的最大化目标
      • 使用 DPO 微调 Llama 2
    • RAIHF

 


大模型 RLHF 实战

RLHF(基于人类反馈的强化学习)分为 3 个阶段:

  • 预训练:为了生成内容,需要一个生成式的预训练语言模型(如GPT);还会引入微调,帮助模型更好理解提示(Prompts)
  • 训练奖励函数:通过对模型生成的结果,人工标注反馈,构造训练集,用于训练奖励函数,模拟人的奖励偏好
  • 强化学习:定义策略(第一阶段语言模型输入输出)、动作空间(词表token的排列组合)、奖励函数(第二阶段训练的);对于同一个问题,会同时送入原始模型、训练模型,用奖励函数对俩者评分,分数差值用于训练策略函数。

安利下面的工具,支持主流模型(ChatGLM系列、Baichuan系列、LLaMA系列、Qwen系列、Bloom):

  • https://github.com/littepan/LLaMA-Efficient-Tuning/blob/main/README_zh.md

  • https://github.com/hiyouga/LLaMA-Factory

同时支持训练方法,包括预训练(pre-training), 有监督微调(sft)和 RLHF,微调方式均为 LoRA 或者 QLoRA、全参数。

按照ta的教程一步步操作即可。

RLHF:OpenAI独家绝技

正在更新…

RLHF 的问题

RLHF 的替代有 2 种:DPO、RAIHF。

  • RLHF:从人类反馈中学习的强化学习

  • DPO:直接偏好优化算法,专门替代传统的基于奖励的 RL 方法。

    RLHF 问题:策略和价值函数迭代步骤相当复杂,经验数据采集计算成本高。

    改进:DPO 是简化了 RLHF 步骤(不需要对奖励函数进行复杂的工程设计),但同时效果不比 RLHF 差。

  • RAIHF:RLHF不再需要人类,AI 实现标注自循环,AI标注效果一样好。

    RLHF 问题

    • 成本高昂(收集高质量人工,反馈需要大量的时间和金钱资源),RLHF通常使用数以万计的人类偏好标签
    • 样本效率低(模型需要大量的人类反馈来学习和改进其行为)
    • 人类偏见(模型可能会学习并放大人类评估者的偏见)
    • 一致性问题(不同人评估给出不一致的反馈,导致模型训练中的不确定性)
    • 可扩展性问题(对于非常复杂的任务或环境,难以获得足够的人类反馈来训练模型)
       

    改进:RAIHF 是通过 AI 排序,而非人工排序数据集,训练出来的偏好模型PM的指引下迭代模型策略。

DPO 直接偏好优化算法:RLHF的替代算法

论文地址:https://arxiv.org/abs/2305.18290

作者在训练 DPO 模型时省略了奖励模型训练的步骤,而是通过设计一种包含正负样本对比的损失函数,在训练过程中得到一个满足人类偏好的模型。

  • 你的语言模型其实是一个奖励模型
  • 不训练奖励模型,语言模型直接做偏好优化
  • 学习你的偏好,满足你的偏好

这种方法在文本总结和单轮对话任务上提高了生成结果的质量。

正样本和负样本的对比,使得模型能够更好地学习到人类偏好的特征,从而提升了生成的质量。

RLHF、DPO 差异:

左右两边最大的区别就是,有没有reward model (RM)。

DPO 是将配给 RW 的训练融合在 final LM 里面,LLM本身即是RM。

公式 1 - 4:KL散度下奖励的最大化目标

p ∗ ( y 1 ≻ y 2 ∣ x ) = exp ⁡ ( r ∗ ( x , y 1 ) ) exp ⁡ ( r ∗ ( x , y 1 ) ) + exp ⁡ ( r ∗ ( x , y 2 ) ) p^*(y_1\succ y_2\mid x)=\frac{\exp\left(r^*(x,y_1)\right)}{\exp\left(r^*(x,y_1)\right)+\exp\left(r^*(x,y_2)\right)} p(y1y2x)=exp(r(x,y1))+exp(r(x,y2))exp(r(x,y1))

  • 人类偏好分布 p ∗ p* p
  • 模型会生成问答对,会呈现给人类标注者,并让他们给出一个答案偏好 y 1 > y 2 ∣ x y_{1}>y_{2} | x y1>y2x
  • y 1 > y 2 y_{1}>y_{2} y1>y2:更好的答案
  • 假设这些偏好是由某个潜在的奖励模型 r ∗ ( x , y 1 ) r^*(x,y_1) r(x,y1) 生成

建立奖励模型,对其参数做最大似然估计,从而将问题转换为二分类问题,同时使用负对数做似然损失:

  • L R ( r ϕ , D ) = − E ( x , y w , y l ) ∼ D [ log ⁡ σ ( r ϕ ( x , y w ) − r ϕ ( x , y l ) ) ] \mathcal{L}_{R}(r_{\phi},\mathcal{D})=-\mathbb{E}_{(x,y_{w},y_{l})\sim\mathcal{D}}\big[\log\sigma(r_{\phi}(x,y_{w})-r_{\phi}(x,y_{l}))\big] LR(rϕ,D)=E(x,yw,yl)D[logσ(rϕ(x,yw)rϕ(x,yl))]

目标函数(使用学到的奖励函数来为语言模型提供反馈):

  • max ⁡ π θ E x ∼ D , y ∼ π θ ( y ∣ x ) [ r ϕ ( x , y ) ] − β D K L [ π θ ( y ∣ x ) ∣ ∣ π r e f ( y ∣ x ) ] \max_{\pi_\theta}\mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big]-\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big] maxπθExD,yπθ(yx)[rϕ(x,y)]βDKL[πθ(yx)∣∣πref(yx)]

推导上式,得到:

  • π r ( y ∣ x ) = 1 Z ( x ) π r e f ( y ∣ x ) exp ⁡ ( 1 β r ( x , y ) ) \pi_r(y\mid x)=\frac1{Z(x)}\pi_{\mathrm{ref}}(y\mid x)\exp\left(\frac1\beta r(x,y)\right) πr(yx)=Z(x)1πref(yx)exp(β1r(x,y))
     

上述就是论文 1 - 4 的推导结果。

这个公式是从一个最大化目标函数出发来推导的,其中包含了两个部分:模型预期奖励的最大化以及KL散度的一个约束项。

KL散度是衡量两个概率分布之间差异的一个指标,在这里用于限制学习到的策略 π θ \pi_\theta πθ 与参考策略 π r e f \pi_{\mathrm{ref}} πref 之间的差异。

目标函数可以分解为两部分:

  1. max ⁡ π θ E x ∼ D , y ∼ π θ ( y ∣ x ) [ r ϕ ( x , y ) ] \max_{\pi_\theta}\mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big] maxπθExD,yπθ(yx)[rϕ(x,y)]

    • 这部分表示模型试图最大化预期奖励,也就是在给定输入 x x x 的情况下,通过策略 π θ \pi_\theta πθ 生成答案 y y y 来获得尽可能高的奖励 r ϕ ( x , y ) r_\phi(x,y) rϕ(x,y)
  2. − β D K L [ π θ ( y ∣ x ) ∣ ∣ π r e f ( y ∣ x ) ] -\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big] βDKL[πθ(yx)∣∣πref(yx)]

    • 这部分表示有一个正则化项,通过KL散度来限制策略 π θ \pi_\theta πθ 不能偏离参考策略 π r e f \pi_{\mathrm{ref}} πref 太远。 β \beta β 是一个正的权衡系数,决定了对偏离的惩罚程度。

目标函数最大,而公式 3 是相减,就意味着 − β D K L [ π θ ( y ∣ x ) ∣ ∣ π r e f ( y ∣ x ) ] -\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big] βDKL[πθ(yx)∣∣πref(yx)] 要最小。

而要从这个目标函数推导出策略 π r ( y ∣ x ) \pi_r(y\mid x) πr(yx) 的表达式,我们需要用到拉格朗日乘子法来处理带有约束的优化问题。拉格朗日乘子法可以帮助我们求解在某些约束条件下的最优化问题。

在这种情况下,想要的是一个新的策略 π r ( y ∣ x ) \pi_r(y\mid x) πr(yx),不仅能最大化奖励,还要满足对参考策略 π r e f ( y ∣ x ) \pi_{\mathrm{ref}}(y\mid x) πref(yx) 的约束。

为了解这个带约束的优化问题,可以构建一个拉格朗日函数:

L ( π θ ) = E x ∼ D , y ∼ π θ ( y ∣ x ) [ r ϕ ( x , y ) ] − β D K L [ π θ ( y ∣ x ) ∣ ∣ π r e f ( y ∣ x ) ] \mathcal{L}(\pi_\theta) = \mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big] - \beta \mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big] L(πθ)=ExD,yπθ(yx)[rϕ(x,y)]βDKL[πθ(yx)∣∣πref(yx)]

对这个函数求解最优策略 π θ \pi_\theta πθ 的表达式时,会发现最优策略具有如下形式:

  • 公式 3 到 公式 4 的详细推导:https://zhuanlan.zhihu.com/p/644911957

π r ( y ∣ x ) = 1 Z ( x ) π r e f ( y ∣ x ) exp ⁡ ( 1 β r ϕ ( x , y ) ) \pi_r(y\mid x) = \frac{1}{Z(x)}\pi_{\mathrm{ref}}(y\mid x) \exp\left(\frac{1}{\beta}r_\phi(x,y)\right) πr(yx)=Z(x)1πref(yx)exp(β1rϕ(x,y))

这里的 Z ( x ) Z(x) Z(x) 是规范化因子(相当于做了归一化,取值 0-1),确保 π r ( y ∣ x ) \pi_r(y\mid x) πr(yx) 是一个有效的概率分布。

这个推导使用了变分原理,其中 π r ( y ∣ x ) \pi_r(y\mid x) πr(yx) π θ ( y ∣ x ) \pi_\theta(y\mid x) πθ(yx) 的一个特殊形式,它使得拉格朗日函数 L ( π θ ) \mathcal{L}(\pi_\theta) L(πθ) 被最大化。

意思是,可以通过一个加权的参考策略来构造一个新的策略,该策略会偏向于高奖励的行为,同时保持与参考策略的相似性。

权重由奖励函数和温度参数 β \beta β 共同决定。

正在更新…

使用 DPO 微调 Llama 2

请猛击:https://github.com/huggingface/blog/blob/main/zh/dpo-trl.md

RAIHF

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/232688.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

gradio

gradio启动cmd并尝试kill import gradio as gr import subprocessall_pid []def get_all_pid():return str(all_pid)def train_0():proc subprocess.Popen([python, a.py], cwdpy_folder_path)all_pid.append(proc.pid)def train_1():proc subprocess.Popen([python, b.py]…

Springboot管理系统数据权限过滤(三)——0业务入侵实现部门数据权限过滤

上一章,讲解了SQL拦截器的,做了一个简单的SQL改造。本章要实现: 仅对指定的service方法内执行的SQL进行处理;完成对部门权限的过滤; 以下简单用一个图说明了整个处理过程,红色框住的部分,就是…

非制冷红外成像技术实现高灵敏度和高分辨率

非制冷红外成像技术实现高灵敏度和高分辨率主要依赖于以下几个方面: 探测器设计:非制冷红外成像技术采用的探测器通常具有高灵敏度和高分辨率的特点。这些探测器能够有效地接收并转换红外辐射,从而产生高质量的图像信息。 光学系统设计&…

CPU缓存一致性问题

什么是可见性问题? Further Reading :什么是可见性问题? 缓存一致性 内存一致性 内存可见性 顺序一致性区别 CPU缓存一致性问题 由于CPU缓存的出现,很好地解决了处理器与内存速度之间的矛盾,极大地提高了CPU的吞吐能…

CompleteFuture与Future的比较

CompleteFuture的介绍CompleteFuture的特点CompleteFuture的应用场景CompletableFuture的优缺点Future的介绍Future的特点Future的应用场景Future的优缺点CompletableFuture和Future的区别CompletableFuture和Future的关联关系CompletableFuture和Future的使用示例CompletableF…

压力测试过程中内存溢出(堆溢出、栈溢出、持久代溢出)情况如何解决

在压力测试过程中,可能会遇到内存溢出的问题,其中常见的包括堆内存溢出、栈内存溢出和持久代溢出。解决这类问题需要首先理解各种内存溢出的原因和特点。 堆内存溢出:这种情况通常发生在稳定性压测一段时间后,系统报错&#xff0…

elementui+ <el-date-picker type=“datetime“/>时间组件的当前时间的180天之内的禁止选择处理

需求1如下&#xff1a;当前时间180天不可选择&#xff0c;180天之后可以选择&#xff0c;之前的时间都禁止选择 页面代码如下&#xff1a; <el-date-picker v-model"temp.expire_time" :picker-options"pickerOption" type"datetime" placeh…

css实现边框彩虹跑马灯效果

效果展示 代码实战 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta http-equiv"X-UA-Compatible" content"IEedge"><meta name"viewport" content"widthdevice-…

台湾虾皮卖什么比较好

虾皮&#xff08;Shopee&#xff09;平台在台湾地区广受欢迎&#xff0c;吸引了大量的消费者和卖家。该平台上有许多热销产品类别&#xff0c;这些产品在台湾市场上具有巨大的销售潜力。在本文中&#xff0c;我们将介绍虾皮平台上一些热门的产品类别&#xff0c;并提供一些建议…

大数据Doris(三十八):Aggregate 和 Uniq 模型中的 ROLLUP

文章目录 Aggregate 和 Uniq 模型中的 ROLLUP 一、获得每个用户的总消费

Docker部署Yapi(ubuntu)

Docker部署Yapi 文章目录 Docker部署Yapidocker-compose.yml测试 docker-compose.yml $ git clone https://github.com/vulhub/vulhub.git $ cd vulhub/yapi/mongodb-inj $ ls 1.png config.json docker-compose.yml initdb.js poc.py README.md README.zh-cn.md $ cat …

wsl配置问题错误总结

常用命令&#xff1a; 1.可用 Linux 发行版列表&#xff1a; wsl --list --online 2.默认情况下&#xff0c;安装的 Linux 分发版为 Ubuntu。 可以使用 -d 标志进行更改。若要更改安装的发行版&#xff1a; wsl --install -d <Distribution Name> 3.改变wsl…

〖大前端 - 基础入门三大核心之JS篇(57)〗- 继承

说明&#xff1a;该文属于 大前端全栈架构白宝书专栏&#xff0c;目前阶段免费&#xff0c;如需要项目实战或者是体系化资源&#xff0c;文末名片加V&#xff01;作者&#xff1a;哈哥撩编程&#xff0c;十余年工作经验, 从事过全栈研发、产品经理等工作&#xff0c;目前在公司…

【递归 回溯】LeetCode-78. 子集

78. 子集。 给你一个整数数组 nums &#xff0c;数组中的元素 互不相同 。返回该数组所有可能的子集&#xff08;幂集&#xff09;。 解集 不能 包含重复的子集。你可以按 任意顺序 返回解集。 示例 1&#xff1a; 输入&#xff1a;nums [1,2,3] 输出&#xff1a;[[],[1],…

FTP连接报530错误 Permission denied 解决方案

文章目录 1.检查vsftpd状态2.检查配置文件 1.检查vsftpd状态 service vsftpd status图中是已经启动的状态&#xff0c;如果没有启动&#xff0c;输入以下命令之一启动&#xff1a; service vsftpd start service vsftpd restart如果没安装vsftpd&#xff0c;请先安装&#xf…

自助式可视化开发,ETLCloud的集成之路

自助式可视化开发 自助式可视化开发是指利用可视化工具和平台&#xff0c;使非技术人员能够自主创建、定制和部署数据分析和应用程序的过程。 传统上&#xff0c;数据分析和应用程序开发需要专业的编程和开发技能。但是&#xff0c;自助式可视化开发工具的出现&#xff0c;使…

【贪心】LeetCode-33. 搜索旋转排序数组

33. 搜索旋转排序数组。 整数数组 nums 按升序排列&#xff0c;数组中的值 互不相同 。 在传递给函数之前&#xff0c;nums 在预先未知的某个下标 k&#xff08;0 < k < nums.length&#xff09;上进行了 旋转&#xff0c;使数组变为 [nums[k], nums[k1], …, nums[n-1…

Python基础-文件的操作

第七章文件的操作 7.1、文件的基本操作 文件打开的格式&#xff1a; file open&#xff08;文件路径&#xff0c;读写模式&#xff09; 文件路径&#xff1a;可以写相对路径&#xff0c;也可以写绝对路径读写模式&#xff1a;r&#xff08;读取&#xff09; w&#xff08;写…

【安全】audispd调研

audispd调研 1 问题背景 在Linux中&#xff0c;当某个进程调用audit_set_pid将自己的pid保存到内核的audit模块后&#xff0c;如果有日志生成&#xff0c;kaudit内核线程就会通过netlink通信机制将审计日志发送给audit_pid&#xff0c;因此&#xff0c;只能有一个进程占用aud…

HTML有哪些列表以及具体的使用!!!

文章目录 一、HTML列表二、列表的应用1、无序列表2、有序列表3、自定义列表 三、总结 一、HTML列表 html的列表有三种&#xff0c;一种是无序列表&#xff0c;一种是有序列表&#xff0c;还有一种为自定义列表。 二、列表的应用 1、无序列表 <ul> <li>无序列表…