屏东县网站建设_网站建设公司_网站建设_seo优化

一、概要

虽然大规模无监督语言模型能够学习广泛的世界知识，并拥有一些推理能力，但由于其训练的完全无监督性质，精确控制其行为是相对来说还是很困难的。而要想去实现这种精准控制，可以使用人类反馈强化学习，其简称为RLHF：是通过收集高质量的人工打标签的数据，并使用无监督微调训练来进行偏好一致对齐。然而强化学习是一个复杂且不稳定的训练过程，其过程表现为：首先我们要先拟合一个反映人类偏好的奖励模型，然后使用强化学习对大规模无监督LM进行微调，以最大化这个估计的奖励，同时又不偏离原始模型太远(RLHF原理)，具体第二张下图所示，展示了RLHF的训练步骤 或者说是阶段吧。

既然有了PPO，为啥还要有DPO呢？（既生瑜何生亮）可以看下图，答案不着急，后面也会讲解PPO以及其劣势，从而引出DPO的存在。

强化学习(RLHF)

openai在InstructGPT的技术报告指出：ChatGPT使用RLHF的 "三步走"策略，即：监督微调(SFT)、偏好采样和奖励学习(RM)、强化学习(PPO)，对应了上图中三个训练阶段，现在我们来对这三个简单讲解下。

监督微调(SFT): 首先在下游感兴趣的任务使用高质量数据（对话、摘要等）和监督学习对预训练的 LM 进行微调，以获得一个模型(sft模型) 。

偏好采样和奖励学习(RM): 使用提示词方法，来生成偏好数据对(注意：第一阶段微调后的sft模型），那什么是偏好数据对呢？可以看这个数据示例。对数据格式感兴趣可以看我这篇：揭秘大模型训练数据的真实面貌：这篇文章值得一看

{ "conversations": [ { "from": "human", #人类指令 "value": "老虎会吃哪一个，草还是树叶？" } ], "chosen": { "from": "gpt", #优质回答 "value": "我很高兴能帮助你解答问题！不过，我必须指出，这个问题本身可能没有意义。老虎是食肉动物，通常不吃草或树叶。它们的饮食主要包括大型有蹄动物、小型哺乳动物和鸟类。\n\n如果你提出这个问题是出于好奇或有特定原因，我很乐意帮助你找到更多关于老虎饮食习惯的信息，或者建议资源让你更多了解这些壮丽的生物。请告诉我如何进一步协助你！" }, "rejected": { "from": "gpt", # 劣质回答 "value": "一只老虎是食肉动物，这意味着它的饮食主要是肉类。老虎主要猎捕和吃其他动物，如鹿和野猪。它们不会选择吃草或树叶，因为这些不是它们自然饮食的一部分。" } }

强化学习(PPO)：RLHF训练过程主要有四个模型参与，分别是Actor Model 、Reference Model、Reward Model、Critic Model，他们在整个过程的角色如下：

Actor Model（动作模型）：需要优化的语言模型，负责生成实际的文本回答，参数会在训练过程中不断更新。

Reference Model（参考模型）：Actor Model 的初始副本，参数固定不变，用于计算 KL 散度，防止 Actor 与初始模型偏离太远。

Reward Model（奖励模型）：经过人类偏好训练的评分模型，为 Actor 生成的文本提供奖励信号，指导 Actor 向更好的方向优化。

Critic Model（评论模型）：估计价值函数，预测动作的长期收益，帮助 PPO 算法更好地优化 Actor。

四个模型之前具体的协作，这里就不做详细介绍，毕竟写的是DPO详解啊。

都知道PPO很好，为啥还要出来DPO呢？这是因为很多工程人员发现PPO很难训练，总结具体如下：

（1）奖励模型RM的准确率较低，在现有的偏好数据上只能训到70%～80%。这一方面是因为人类偏好较难拟合，另一方面是因为奖励模型一般较小，过大的奖励模型会引起PPO阶段训练的崩溃；

（2）PPO训练不稳定，相同的参数和数据也有可能出现不一样的结果；

（3）PPO阶段训练成本大。这是因为策略模型的更新依赖于奖励模型的显式反馈，所以每个训练step耗时长、GPU消耗大。

说白了就是PPO很难训练，并且消耗很大，看看上面的图就知道，四个模型都要参与，这谁顶得住啊？

正因为这些原因，斯坦福大学研究者提出了DPO，从理论上消除了奖励模型RM和与之相关的RL环节，直接采用二元偏好数据对LLMs进行参数更新。

DPO理论理解

之前我们说使用sft模型来生成偏好数据对，然后RM模型来进行评分并给出对应的奖励，让actor model来自适应调整。而DPO就是从理论来消除RM模型的存在，咱们就从Bradley-Terry模型开始(因为论文也是从这个模型开始的，哈哈)，BT模型规定了人类偏好分布可以表示为：

看着是不是好像也挺简单的，其实这个式子还可以简化。针对静态数据集D，上面的奖励模型通过对数极大似然估计可以表示为：

数据集：

对数似然估计损失表示：

是的，通用损失函数数学表达式其实已经出来了，但是DPO其实是PPO的一个简化版，所以需要从PPO的损失来简化(DPO其实就是PPO的钙化版、或者说是简化版)，直到推导出DPO的损失函数表达式

所以针对用于PPO的损失，上式可以优化为：

针对PPO而言，KL散度很重要，这是为啥？因为KL散度就表示Reference Model(参考模型) 和自己训练的Actor Model 有没有跑偏。大白话就是：这个训练就是让actor model训练，但是我也要拽着你，不然你偏离 reference model太远，如果太远，就训飞了。

因此针对KL散度优化，上面的式子可以进行推导为：

进一步简化：

其中Z(x)表示为：

然后经过一顿数学操作和优化：

得到了最后的loss：

其中 ，πθ是正在训练的模型 ；πref是参考模型（通常是 SFT 模型）；yw是首选（获胜）的答案；yl是被拒绝（输掉）的反应；β是控制优化强度的温度参数；σ是 sigmoid函数。

一开始看这些式子是不是挺容易的，但是后面的数学变换和优化操作下来，看懵了，但是不要紧，你就记住最后这个式子就行，因为DPO的损失优化就是通过这个式子来的。

DPO代码片段

损失函数代码：

def preference_loss(policy_chosen_logps: torch.FloatTensor, policy_rejected_logps: torch.FloatTensor, reference_chosen_logps: torch.FloatTensor, reference_rejected_logps: torch.FloatTensor, beta: float, label_smoothing: float = 0.0, ipo: bool = False, reference_free: bool = False) -> Tuple[torch.FloatTensor, torch.FloatTensor, torch.FloatTensor]: """Compute the DPO loss for a batch of policy and reference model log probabilities. Args: policy_chosen_logps: Log probabilities of the policy model for the chosen responses. Shape: (batch_size,) policy_rejected_logps: Log probabilities of the policy model for the rejected responses. Shape: (batch_size,) reference_chosen_logps: Log probabilities of the reference model for the chosen responses. Shape: (batch_size,) reference_rejected_logps: Log probabilities of the reference model for the rejected responses. Shape: (batch_size,) beta: Temperature parameter for the DPO loss, typically something in the range of 0.1 to 0.5. We ignore the reference model as beta -> 0. label_smoothing: conservativeness for DPO loss, which assumes that preferences are noisy (flipped with probability label_smoothing) ipo: If True, use the IPO loss instead of the DPO loss. reference_free: If True, we ignore the _provided_ reference model and implicitly use a reference model that assigns equal probability to all responses. Returns: A tuple of three tensors: (losses, chosen_rewards, rejected_rewards). The losses tensor contains the DPO loss for each example in the batch. The chosen_rewards and rejected_rewards tensors contain the rewards for the chosen and rejected responses, respectively. """ pi_logratios = policy_chosen_logps - policy_rejected_logps ref_logratios = reference_chosen_logps - reference_rejected_logps if reference_free: ref_logratios = 0 logits = pi_logratios - ref_logratios # also known as h_{\pi_\theta}^{y_w,y_l} if ipo: losses = (logits - 1/(2 * beta)) ** 2 # Eq. 17 of https://arxiv.org/pdf/2310.12036v2.pdf else: # Eq. 3 https://ericmitchell.ai/cdpo.pdf; label_smoothing=0 gives original DPO (Eq. 7 of https://arxiv.org/pdf/2305.18290.pdf) losses = -F.logsigmoid(beta * logits) * (1 - label_smoothing) - F.logsigmoid(-beta * logits) * label_smoothing chosen_rewards = beta * (policy_chosen_logps - reference_chosen_logps).detach() rejected_rewards = beta * (policy_rejected_logps - reference_rejected_logps).detach() return losses, chosen_rewards, rejected_rewards

可以看看第26、27、32、35行，这几行都是DPO核心，也完全按照这篇DPO论文来实现的。为了方便整合在一起看就是：

losses = (((policy_chosen_logps - policy_rejected_logps) - (reference_chosen_logps - reference_rejected_logps)) - 1/(2 * beta)) ** 2

DPO训练案例

下列代码使用了TRL库来进行微调训练，方式也比较简单，目的就是打造人人可学大模型，哈哈。

from trl import DPOConfig, DPOTrainer from transformers import AutoModelForCausalLM, AutoTokenizer from datasets import load_dataset # 加载 model and tokenizer model = AutoModelForCausalLM.from_pretrained("HuggingFaceTB/SmolLM3-3B") tokenizer = AutoTokenizer.from_pretrained("HuggingFaceTB/SmolLM3-3B") # 配置 DPO training training_args = DPOConfig( beta=0.1, # Temperature parameter learning_rate=5e-7, # Lower LR for stability max_prompt_length=512, # Maximum prompt length max_length=1024, # Maximum total length per_device_train_batch_size=4, gradient_accumulation_steps=4, num_train_epochs=1, ) # 加载数据集 preference_dataset = load_dataset("argilla/ultrafeedback-binarized", split="train_prefs") # 初始化DPO trainer = DPOTrainer( model=model, args=training_args, train_dataset=preference_dataset, processing_class=tokenizer, ) # 训练 trainer.train()

这一套是完全可以使用的，如果你有自己的数据集，只需要将数据集改成自己的数据集即可。

当然DPO现在也有很多扩展算法,这些算法都是去优化或改进loss目标函数:

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】