伊桑CHAT GPT 训练流程
第一步：监督学习
收集人工编写的期望模型是如何输出的数据集，
并使用其来训练一个生成模型（GPT3.5-based）
第二步：训练奖励模型
收集人工标注的模型多个输出之间的排序数据集。
并训练一个奖励模型，以预测用户更喜欢哪个模型输出。
第三步：基于强化学习loss持续迭代生成模型。
使用这个奖励函数，以PPO的方式，微调监督学习训练出来的生成模型。
先讲第一步：
我们需要搜集很多很多的问题，比如什么是香蕉这样的问题。
把这些收集来的问题放到标记者这里，让他们去写这个答案究竟是什么。
然后用这个答案放到superrisemodel.
最终通过GPT3.5微调 。
预计训练了16个epochs，标注了13000多条人工标注的数据，就训练出来了一个监督学习的模型。
第二步模型 ，尤其重要，借用奖励模型去 。
就是把这些标注出来的回答内容 ，拿去做问卷调查 ，把答案做排序。
因为我们知道每个人的想法都是不同的，只有大量的数据结合才能测出更接近人类的想法。
有了这些数据之后，再通过一个模型让他去学习怎么打分。
第三步 先去数据库里找到一个问题，比如写一个水獭的故事
接着就把指令喂给强化模型。那强化模型就会根据这段话写 很久很久以前....
接着这段话就会转到第二步，然后出来一个得分。这个得分就会返回去优化这个强化模型。
他就知道当前生成时好还是不好。以上
5235
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
