一文彻底搞懂大模型 - 基于人类反馈的强化学习(RLHF)

文摘   科技   2024-10-07 21:25   湖北  

RLHF
随着大型语言模型(LLM)的快速发展,如何使这些模型更好地理解和满足人类的需求成为了一个关键问题。传统的训练方法往往依赖于大规模的语料库和基于规则的损失函数,但这在处理复杂、主观和依赖上下文的任务时存在局限性。因此,基于人类反馈的强化学习(Reinforcement Learning from Human Feedback,RLHF)应运而生,为模型的训练提供了一种新的思路。
RLHF

一、RLHF的框架

什么是RLHF?基于人类反馈的强化学习(Reinforcement Learning from Human Feedback,RLHF),RLHF是一种将人类反馈与强化学习相结合的方法,旨在通过引入人类偏好来优化模型的行为和输出。
在RLHF中,人类的偏好被用作奖励信号,以指导模型的训练过程,从而增强模型对人类意图的理解和满足程度。这种方法使得模型能够更自然地与人类进行交互,并生成更符合人类期望的输出
RLHF

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,行动指的是言模型根据给定的提示(prompt)生成的输出文。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

如何使用RLHF进行InstructGPT模型训练?三个阶段共同构成了InstructGPT的训练过程,通过收集描述性数据和比较性数据,并分别训练监督学习模型和奖励模型,最后利用PPO强化学习算法对奖励模型进行优化,从而训练出能够生成高质量、符合人类偏好输出的InstructGPT模型(ChatGPT的前身)。
第一步收集描述性数据,并训练一个监督学习模型
  1. 从prompt数据集中采样出一部分数据。

  2. 标注员根据要求为采样的prompt编写答案,形成demonstration data。

  3. 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。

关键术语
  • 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

  1. 从prompt数据库中取样,并得到数个模型的答案。

  2. 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。

  3. 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

  1. 从prompt数据库中另外取样。

  2. 由监督学习初始化PPO模型。

  3. 模型给出答案。

  4. 奖励模型对回答打分。

  5. 获得的分数通过PPO算法优化模型。

关键术语
  • 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

架构师带你玩转AI
分享人工智能,让所有人玩转AI
 最新文章