一、RLHF的框架
RLHF的框架是什么?基于人类反馈的强化学习(Reinforcement Learning from Human Feedback, RLHF)框架是一个复杂但高效的系统,包括强化学习算法、行动、环境、观察和奖励机制。
1. 强化学习算法(RL Algorithm)
在RLHF框架中,常用的强化学习算法之一是近端策略优化(Proximal Policy Optimization, PPO)。PPO是一种用于训练代理的“on-policy”算法,它直接学习和更新当前策略,而不是从过去的经验中学习。
2. 行动(Action)
在RLHF框架中,行动指的是语言模型根据给定的提示(prompt)生成的输出文本。这些输出文本是模型在尝试完成特定任务或响应特定指令时产生的。行动空间(Action Space)是词表所有token(可以简单理解为词语)在所有输出位置的排列组合。
3. 环境(Environment)
在RLHF中,环境是代理(即我们的语言模型)与之交互的外部世界,它提供了代理可以观察的状态、执行的动作以及根据这些动作给予的奖励。
状态空间(State Space):这是环境可能呈现给代理的所有可能状态的集合。在RLHF中,状态通常对应于输入给模型的提示(prompt)或上下文信息。
动作空间(Action Space):这是代理可以执行的所有可能动作的集合。在RLHF中,动作对应于模型生成的输出文本,即模型根据输入提示生成的响应。
奖励函数(Reward Function):这是一个根据代理在环境中的行为(即生成的输出)来分配奖励的函数。在RLHF中,奖励函数通常不是直接给出的,而是通过训练一个奖励模型来预测的,该奖励模型能够基于人类反馈来评估不同输出的质量。
4. 观察(Observation)
在RLHF框架中,观察指的是模型在生成输出文本时所接受到的输入提示(prompt)。这些提示是模型尝试完成任务的依据,也是模型进行决策和行动的基础。观察空间(Observation Space)是可能输入的token序列,即Prompt。
5. 奖励机制(Reward)
奖励机制是RLHF框架中的核心组成部分之一。它基于奖励模型对人类偏好的预测来给予模型奖励或惩罚。它需要使用大量的人类反馈数据来进行训练,以确保能够准确地预测人类对不同输出的偏好。这些数据通常通过让标注人员对模型生成的输出进行排序、打分或提供其他形式的反馈来收集。
二、RLHF实战:InstructGPT训练的3个阶段
从prompt数据集中采样出一部分数据。
标注员根据要求为采样的prompt编写答案,形成demonstration data。
利用这些标注好的数据来微调GPT-3模型,训练出一个监督学习模型。
Supervised Fine-Tuning(SFT):有监督微调,即使用描述性数据来微调GPT-3模型。 Demonstration Data:描述性数据,由标注员为prompt编写的答案。
第二步:收集比较性数据,并训练一个奖励模型
从prompt数据库中取样,并得到数个模型的答案。
标注员为模型的多个输出进行打分或排序,这些输出是基于同一prompt生成的。
利用这些打分或排序数据来训练一个奖励模型(Reward Modeling,RM),该模型能够预测人类对不同输出的偏好分数。
关键术语:
Reward Modeling(RM):奖励模型,用于预测人类对不同输出的偏好分数。
Comparison Data:比较性数据,由标注员对模型输出的打分或排序构成。
第三步:用PPO强化学习算法对奖励模型进行优化
从prompt数据库中另外取样。
由监督学习初始化PPO模型。
模型给出答案。
奖励模型对回答打分。
获得的分数通过PPO算法优化模型。
Proximal Policy Optimization(PPO):近端策略优化算法,一种用于强化学习的策略优化方法。
Reinforcement Learning from Human Feedback(RLHF):基于人类反馈的强化学习,是InstructGPT训练过程中的核心方法。