关于人工智能:StackLLaMA-用-RLHF-训练-LLaMA-的手把手教程

如 ChatGPT，GPT-4，Claude 语言模型之弱小，因为它们采纳了 基于人类反馈的强化学习 (Reinforcement Learning from Human Feedback, RLHF) 来使之更合乎咱们的应用场景。

本博客旨在展现用 RLHF 训练一个 LLaMA 模型，以答复 Stack Exchange 上的问题。具体而言，蕴含以下几个方面:

有监督的微调 (Supervised Fine-tuning，SFT)。
处分 / 偏好建模 (Reward / preference modeling，RM)。
基于人类反馈的强化学习 (RLHF)。

摘自 InstructGPT 论文，Ouyang, Long, et al.“Training language models to follow instructions with human feedback.”arXiv preprint arXiv:2203.02155 (2022).

联合了上述办法，咱们公布了 StackLLaMA 模型，该模型在 🤗 Hub 上开源 (拜访链接查看 Meta 的原始 LLaMA)，整个训练的流程曾经集成到了 Hugging Face TRL 库中。你能够通过上面的 demo 来尝试该模型。

在实际 RLHF 时，选取一个适合的模型很重要: RLHF 只是一个让模型满足咱们交互模式的需要的微调过程。所以咱们选取了最近上线的 LLaMA 模型。LLaMA 模型是 Mata AI 最近推出的大语言模型。其参数量大小涵盖 7B 到 65B，以及训练在 1T 和 1.4T 的 token 上，这让其很实用。咱们这里采纳 7B 的模型。(请填写 Meta AI 的这份表单来下载模型)。

收集人类的反馈数据集是很简单且低廉的劳动。为了做到这个，并且还能保障模型的有效性，咱们应用 StackExchange 数据集。该数据集涵盖了 StackExchange 平台上的问题和答案 (蕴含 StackOverflow 的编程等话题下的)。这很适宜咱们的实际，因为其蕴含了每个答案的赞和踩的数量。

咱们依照 Askell et al. 2021 中的办法，给每个答案赋分:

score = log2 (1 + upvotes) rounded to the nearest integer, plus 1 if the questioner accepted the answer (we assign a score of −1 if the number of upvotes is negative).

对处分模型，咱们将看到每个问题总是须要两个答案比照。有些问题有很多答案，能够产生很多对，咱们只取十个以限度每个问题的数据量。最初，咱们把格局从 HTML 转化到 Markdown 以进步输入的可读性。你能够看到数据集和处理过程的 [笔记本]。(https://huggingface.co/datasets/lvwerra/stack-exchange-paired。)

即便是最小 LLaMA 模型的训练，都须要大量内存。估算一下: 以 bf16 半精度，每个参数用 2 个字节 (以 fp32 精度四字节的规范)，训练时须要 8 个字节 (例如 Adam 优化器，参见 Tramsformers 的性能文档)。可见 7B 参数量的模型将用 (2+8)* 7B = 70 GB 的内存，并且还可能须要更多用于计算诸如注意力分数的两头值。所以很难在一张 80GB 显存的 A100 上训练。或者你能够应用一些技巧，比方用更高效的半精度训练的优化器来压缩内存，但溢出是迟早的。

另外的可能是 参数高效的微调 (Parameter-Efficient Fine-Tuning, PEFT) 技术，比方 peft 库，它能够对应用 8-bit 加载的模型做 低秩优化(Low-Rank Adaptation，LoRA)。

线性层的低秩优化: 额定参数 (橙色) 被加在 Frozen 层 (蓝色)，编码后的暗藏状态与 Frozen 层的暗藏状态叠加在一起。

以 8bit 加载模型会大幅升高内存占用，因为每个参数只有一字节 (比方 7B LLaMA 是 7GB 内存)。与间接训练原始模型不同，LoRA 在特定层 (个别是注意力层) 增加大量新参数，大幅升高了须要训练的参数。

此情此景，一个衡量标准是 1B 的参数在整个微调过程中占 ~1.2-1.4GB (和具体 batch size 及序列长度无关)。在参考的博客中具体探讨了，这使得低成本下微调较大参数规模的模型成为可能 (比方在一张 A100 上微调 50-60B 的参数)。

这些技术能让微调大模型的工作，在生产级设施和 Google Colab 上执行。这里提供一些值得关注的演示 demo: facebook/opt-6.7b (在 float16 精度下 13GB) 和 openai/whisper-large
跑在 Google Colab (15GB 显存) 上。欲了解 peft 的应用，请参见 github 仓库或者之前的博客介绍: 在客户端训练 20B 参数量的模型。

当初咱们能在一张 GPU 上微调很大的模型了，但训练还是会很慢。此时最简略的策略便是并行化: 把一个训练同时放到不同的 GPU 上，各 GPU 承受不同的 batch。这样咱们能够并行执行前向流传和后向流传，通过减少 GPU 的数量实现并行能力晋升。

咱们能够选用 trainsformers.Trainer 或 accelerate，因为它们都反对无代码变更进行数据并行化。只需注意调用 torchrun 或者 accelerate launch 脚本时的参数即可实现。比方以下就是在一个 8 显卡的机器上别离用 accelerate launch 和 torchrun的办法:

accelerate launch --multi_gpu --num_machines 1  --num_processes 8 my_accelerate_script.py
torchrun --nnodes 1  --nproc_per_node 8 my_torch_script.py

在训练处分模型和用 RL 之前，模型若是曾经在咱们感兴趣的方面体现好将会很有帮忙。在咱们的示例中，咱们想要其能答复问题，而其余时候，咱们可能它能听指令 (这时对指令执行的微调是现实的)。实现这个最简略的办法便是面向该语言工作，用该工作和畛域的文本，持续训练。StackExchange 数据集含 10M 的指令量，所以咱们能用其子集很容易地训练。

在用 RLHF 之前的模型微调没有特地的，就是个别的面向语言工作的预训练模型微调。为了高效利用数据，咱们采纳了称之为打包的技术: 与 batch 中的每个样本均由繁多文本组成，最初基于最长的文原本 padding (填充)，咱们把很多文本拼接起来，用 EOS token 来隔开，而后宰割成一些 chunk (切块) 来做成 batch，防止 padding。

该办法大大提高了效率，因为模型输出的所有 token 都对 loss 有所训练，而非 padding 作为掩码被抛弃了。如果你没有足够数据，并且放心随便地离开 token 会失去上下文语义，你也能够用传统的数据加载器
ConstantLengthDataset 解决了打包技术，并且咱们能在用 peft 加载模型后用 Trainer。首先，咱们用 int8 加载模型，筹备训练，而后退出 LoRA 微调器。

# load model in 8bit
model = AutoModelForCausalLM.from_pretrained(
        args.model_path,
        load_in_8bit=True,
        device_map={"": Accelerator().local_process_index}
    )
model = prepare_model_for_int8_training(model)

# add LoRA to model
lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
)

model = get_peft_model(model, config)

咱们依据相应的语言工作，对模型训练几千个 step (步)，并保留模型。因为咱们将会有其余微调模型的目标，咱们将 LoRA 的微调器权重合并到原模型中。

申明: 因为 LLaMA 的许可证规定，咱们只能公布微调器的权重，你须要填 Meta AI 的表格来获取模型，而后用这个脚本来转成 🤗 Transformers 格局。留神 🤗 Transformers 应该从源码装置，或者 v4.28 版。

当初咱们曾经微调好了模型，能够训练处分模型了。

原则上，咱们能够间接用人类标注来对模型做 RLHF 微调。然而，这将须要咱们给人类发送一些样本，在每轮优化后计分。这是贵且慢的，因为收敛须要的训练样本量大，而人类浏览和标注的速度无限。

一个比间接反馈更好的策略是，在进入 RL 循环之前用人类标注集来训练一个处分模型。处分模型的目标是模仿人类对文本的打分。构建处分模型有许多能用的策略: 最间接的便是预测标注 (比方依据好与坏，输入比分或者布尔值)。最佳实际是，预测后果的排序，即对每个 prompt (输出文本) 对应的两个后果 $(y_k, y_j) $模型预测人类标注的比分哪个更高。

或者示意为 loss (损失) 函数:

$$
{loss}(\theta) = – E_{(x, y_j, y_k)~D} [{log}(\sigma( r_\theta (x, y_j) – r_\theta(x, y_k)) ) ]
$$

其中 $r $是模型对可能的标注 $y_j $的预测分数。

在 StackExchange 数据集上，咱们能失去两个答案的受欢迎水平。有了这个信息和下面的损失函数，咱们就能自定义 loss 来改 transformers.Trainer 了。


class RewardTrainer(Trainer):
    def compute_loss(self, model, inputs, return_outputs=False):
        rewards_j = model(input_ids=inputs["input_ids_j"], attention_mask=inputs["attention_mask_j"])[0]
        rewards_k = model(input_ids=inputs["input_ids_k"], attention_mask=inputs["attention_mask_k"])[0]
        loss = -nn.functional.logsigmoid(rewards_j - rewards_k).mean()
        if return_outputs:
            return loss, {"rewards_j": rewards_j, "rewards_k": rewards_k}
        return loss

咱们用数据集中的 100000 对，并在 50000 对上评估。在比拟小的 batch size，为 4 下，咱们用 LoRA 的 peft 微调器来训练 LLaMA 模型，在 BF16 精度下用 Adam 优化器。咱们的 LoRA 设置是:

peft_config = LoraConfig(
    task_type=TaskType.SEQ_CLS,
    inference_mode=False,
    r=8,
    lora_alpha=32,
    lora_dropout=0.1,
)

训练用 Weights & Biases 来记日志，并在 🤗 训练集群上，用 8 卡 A-100，要数小时，最初准确率为 67%。只管看上去可能低了，但想想这个工作的难度。

如下文要细说的，训练后果将作为固定参数，以供上游应用。

当初咱们手头有了微调的语言模型和处分模型，能够开始执行 RL 循环了: 这个过程大抵分为三步

生成对 prompt (输出文本) 的反馈。
用处分模型来对反馈评分。
对评分，进行一轮策略优化的强化学习。

在被 token 化并输出处分模型前，发问和答复的 prompt 模版如下:

Question: <Query>
Answer: <Response>

在有监督训练 (SFT)，处分模型训练 (RM) 和 RLHF 的阶段都用此模版。

用 RL 训练语言模型呈现的常见问题是，模型可能学会胡言乱语以糊弄处分模型，后者可能给高分。为了衡量，咱们对处分减少惩办: 留一份没有训练的模型，如何比拟两者输入的 KL 散度

$$
{R}(x, y) = {r}(x, y) – \beta {KL}(x,y)
$$

其中 $r $ 是处分模型的后果，${KL}(x,y) $ 是以后模型和比照模型的 KL 散度差。

再提一遍，咱们用 peft 来实现内存高效的训练，其对 RLHF 阶段提供了劣势。这里参考的模型和训练的模型用同一个基底，也就是有监督训练 (SFT) 的后果，它是用 8-bit 来加载，并且一如既往是固定的。咱们仅用 PPO 办法优化最终模型的 LoRA 权重，同时全副共享一个基底模型。

for epoch, batch in tqdm(enumerate(ppo_trainer.dataloader)):
    question_tensors = batch["input_ids"]
        
    # sample from the policy and generate responses
    response_tensors = ppo_trainer.generate(
        question_tensors,
        return_prompt=False,
        length_sampler=output_length_sampler,
        **generation_kwargs,
    )
    batch["response"] = tokenizer.batch_decode(response_tensors, skip_special_tokens=True)

    # Compute sentiment score
    texts = [q + r for q, r in zip(batch["query"], batch["response"])]
    pipe_outputs = sentiment_pipe(texts, **sent_kwargs)
    rewards = [torch.tensor(output[0]["score"] - script_args.reward_baseline) for output in pipe_outputs]

    # Run PPO step
    stats = ppo_trainer.step(question_tensors, response_tensors, rewards)
    # Log stats to WandB
    ppo_trainer.log_stats(stats, batch, rewards)

咱们用 🤗 集群，在 3×8 A100-80GB 的机器上训练了 20h，但一个差不多的后果很快 (大略，在 8 A100-80GB 上训练 20h)。所有的训练过程都在 Weight & Biases 上找到。

每个 batch 的处分，对每步的训练，在 ~1000 步时模型的成果最好。

所以模型训好了无能啥嘞 ? 咱们刮目相待 !

只管咱们不该太置信其后果，至多目前。但后果曾经很好了，甚至附上了 Google 链接。咱们来看看训练时的挑战。

用 RL 训练 LLM (Large Language Models，大语言模型) 不总是一帆风顺的，你看到的本文也是经验有数试验，有数失败和有数调参的。即便如此，该模型也不能说变现完满。这儿，咱们分享一些遇到的察看和问题。

天呐，这个试验必定体现很好 ! 看处分的曲线多甜啊 !

在 RL 中，一般而言，处分越高越好。在 RLHF 中，咱们用了一个处分模型，它不完满，所以留给了 PPO 算法捡漏的机会。这能导致处分忽然回升，然而当查看文本后果时，却充斥了字符“`”，因为处分模型对含有代码 stack exchange 的答案更信赖。侥幸的是，该问题碰到的很少，应该是采取的 KL 散度的惩办项起到了作用。

如咱们后面所提到的，一个 KL 惩办项被用来保障训练后的散布和原始散布靠近。个别地 , KL 散度来度量两个散布的类似水平，并且总是正的。然而，在 trl 咱们用了一个 KL 的近似，期望值和真的 KL 散度雷同。

$$
KL_{pen} (x, y) = {log} (\pi_\phi^{RL}(y | x) / \pi^{{SFT}}(y|x))
$$

显然，当训练中一个 token 比原始模型概率低，这会导致 KL 散度为负，适合的取样和均匀总能失去正的。然而一些采样的生成策略导致了不匀称的采样。比方，当生成被 padding 的序列 batch 时和当设置 EOS token 被压缩的最小长度是，模型会有很大 / 很小的概率到负 KL 散度的 token。同时 PPO 算法是面向处分优化的，模型就会追赶负的惩办，导致训练不稳固。

对生成和采样，你须要特地小心。咱们倡议一开始用最简略的形式，如何在逐步简单。

任然有很多问题咱们不懂，比方上面，loss 间断地跳跃，导致之后的不稳固

一旦咱们解决了这些问题，咱们就会上传变动到 trl 上，以保障社区受害。

在本博客，咱们走过了 RLHF 训练的整个流程，从筹备人类标注的数据集开始，调整语言模型到特定畛域，训练处分模型，并最终用 RL 训练一个模型。

通过应用 peft，任何人都能在一张 GPU 上跑咱们的试验 ! 如果训练慢了，能够用数据并行化的办法，不须要改任何代码，或者用多张 GPU 并行进步训练速度。

对理论利用，这仅仅是第一步 ! 一旦你有了模型，你就要和其余模型比拟优劣。这个能够用一个面向不同模型的排名生成做到，和咱们训练处分数据集相似。

一旦你退出了评估的步骤，好玩的就开始了: 你能够在原数据集上重复炼丹，也能够减少数据集或者对原数据集提纯。另外，你能够对处分模型和生成试不同大小和构造的模型，这须要工夫。

咱们在踊跃进步 TRL 以保障 RLHF 的每一步都可见，并且非常冲动能看到人们用它来构建的货色。如果你想有所奉献，欢送看咱们的 Github Issue。

@misc {beeching2023stackllama,
    author = { Edward Beeching and
                     Younes Belkada and
                     Kashif Rasul and
                     Lewis Tunstall and
                     Leandro von Werra and
                     Nazneen Rajani and
                     Nathan Lambert
                   },
    title = {StackLLaMA: An RL Fine-tuned LLaMA Model for Stack Exchange Question and Answering},
    year = 2023,
    url = {https://huggingface.co/blog/stackllama},
    doi = {10.57967/hf/0513},
    publisher = {Hugging Face Blog}
}

咱们感激 Philipp Schmid 分享了他对文本生成绝妙的 demo, 咱们的 demo 也是基于他的。咱们也感激 Omar Sanseviero 和 Louis Castricato 对咱们博客的草稿提供贵重详尽的反馈。

英文原文: https://hf.co/blog/stackllama

作者: Edward Beeching, Kashif Rasul, Younes Belkada, Lewis Tunstall, Leandro von Werra Nazneen Rajani, Nathan Lambert

译者: Vermillion-Qi(张奇), zhongdongy (阿东)

关于人工智能:StackLLaMA-用-RLHF-训练-LLaMA-的手把手教程

LLaMA 模型

Stack Exchange 数据集

高效训练策略

有监督的微调

处分模型和人类偏好

基于人类反馈的强化学习

挑战，不稳固和突破口

处分更高代表更好体现?

KL 散度总是正的?

任然存在的问题

总结

援用

感激

Just My Socks（注册教程内含优惠码）

关于人工智能:StackLLaMA-用-RLHF-训练-LLaMA-的手把手教程

LLaMA 模型

Stack Exchange 数据集

高效训练策略

有监督的微调

处分模型和人类偏好

基于人类反馈的强化学习

挑战，不稳固和突破口

处分更高代表更好体现?

KL 散度总是正的?

任然存在的问题

总结

援用

感激

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）