大模型的训练过程解析（非常详细）零基础入门到精通，收藏这一篇就够了

程序员霸哥

于 2024-09-29 11:05:57 发布

阅读量1.3k

点赞数 22

分类专栏：程序员 Python 网络安全文章标签： web安全安全 linux 运维服务器 eclipse java

本文链接：https://blog.csdn.net/logic1001/article/details/142630973

版权

程序员同时被 3 个专栏收录

708 篇文章 6 订阅

订阅专栏

网络安全

676 篇文章 19 订阅

订阅专栏

Python

379 篇文章 0 订阅

订阅专栏

今天和大家聊聊大模型的训练的三个阶段，分别为有监督学习（SFT）、奖励模型训练（RW）与强化学习（PPO）阶段，我对以上的训练过程会加上一些自己的理解。

GPT使用Transformer decoder部分作为语言模型的框架，并将decoder中的Multi-head Attention层删除，其结构和计算过程如上图。因为decoder中的第一个自注意力计算中有Mask机制，所以计算每个单词的预测概率时，只考虑一句话中某个词的左侧词汇信息（单向Transformer）对本词进行预测，并不像Bert和ELMo一样有上下文信息，所以Mask的使用使模型看不见未来的信息，得到的模型泛化能力更强。

其中各个研究院对部分细节有所改良，比如：

使用了前归一化（Post-Norm），解释是整体上更难出现梯度消失的问题，使得模型的训练更加稳定。
采用旋转位置编码（RoPE），与相对位置编码相比RoPE 具有更好的外推性。外推性是指大模型在训练时和预测时的输入长度不一致，导致模型的泛化能力下降的问题。

1 有监督学习（SFT）

这个阶段虽然称为有监督学习，但其实在具体实操中，它也是分为了两个步骤：

先使用大量语料进行无监督学习，训练出一个语言模型的基座，这就是大模型的generate方法，展现的是大模型的续写能力
人工整理QA语料对大模型进行有监督训练，这是大模型的chat方法，展现出了大模型的对话能力

2 Reward Model奖励模型训练

大模型会对一个问题回答出的多个不同答案，我们首先需要对这些答案进行优先级标注排序（不是直接打分，因为绝对分数很难统一，我们能更容易的判断出哪个回答更好，使用相对替代绝对），然后根据这个排序结果训练奖励模型。这个模型的底座就是第一阶段训练出的SFT模型，只是把最后一层改为一个神经元即可，就是输出的分数，为一个回归模型，后续将用这个模型对每个回答进行打分评估。

奖励模型的核心是它的损失函数：

其中c代表chosen，是排名较高的回答，r代表reject，是排名较低的回答。最终的目的就是使排名靠前的回答得分相应的变高。

比如Q：苹果是什么？

A1：苹果是一种红色水果，可以润肺、解暑、开胃。

A2：苹果的品种繁多，根据颜色、大小、口感和用途等不同特点，可以分为多个品种。有的苹果品种适合鲜食，口感脆甜；有的适合烹饪，如做苹果派或苹果酱；还有的适合制酒或制醋。此外，美国苹果公司是全球知名的科技公司。

A3：苹果是水果。

人工标记员打分A2>A1>A3，我们把QA2&QA1、QA2&QA3、QA1&QA3两两放入模型进行打分，然根据损失函数对模型进行反向传播，最后就可以使A2的分数高于A1、A1的分数高于A3。根据不同答案的优先级顺序，就可以训练出奖励模型。

3 强化学习PPO

强化学习的目标就是模型可以自我迭代，其损失函数包括两部分构成：

我们已经进行过有监督训练，所以希望模型的回答结果最好与之前SFT模型的回答分布相近，否则模型可能钻空子，回答一个与有监督答案不符，但是奖励模型给了高分的答案，可以理解为“幻觉问题”。
模型的回答都是高分回答。

我们就是想达到以上要求，所以设计出了如下一系列的训练方法，一共有四个主要模型，分别是：

Actor Model：演员模型，这就是我们想要训练的目标语言模型
Critic Model：评论家模型，它的作用是预期收益
Reward Model：奖励模型，它的作用是计算实际收益
Reference Model：参考模型，它的作用是给语言模型增加一些“约束”，防止语言模型训歪，使模型的回答结果最好与之前SFT模型的回答分布相近

Actor与Reference的初始化模型就是SFT模型，Reward与Critic的初始化模型就是Reward模型，其中Actor与Critic在后续训练中需要更新参数，而Reward与Reference Model是参数冻结的。

总步骤为下图标注所示，请大家参考：

第一步（1号）

给Actor模型输入问题Prompt，Actor模型会有两个输出：

生成的回答response
还有给出上一部分的文字，每生成下一个字的概率p(token|context)，记为old_log_prob，是一个张量，长度就是response的长度

第二步（3号）

将问题与生成的回答作为输入：

输入给Ref模型，会得出在原先模型下输出该句话的张量分布p(token|context)，记为ref_log_prob，是一个张量，长度就是response的长度
输入给Reward模型，会得出模型的实际收益，是一个分数
输入给Critic模型，评论家会为 response 中的每个 token 计算一个预期收益，第 i个预期收益记为 values[i]

第三步（6号）

首先我们明确强化学习中的一个关键概念——优势。我们将优势定义为“实际获得的收益超出预期的程度”， PPO 计算优势的方法：优势=实际收益-预期收益。预期收益为Critic模型直接计算得出，我们来看看实际收益是如何设计算的。

在第一步与第二步中我们得到了在原先模型下输出的概率分布ref_log_prob与在Actor模型下输出的概率分布old_log_prob。

来理解一下这个式子（简化的KL散度）：

ref_log_prob[i] 越高，ref越认可actor的输出，说明输出更守规矩，因此应该获得更高的奖励
old_log_prob[i] 越高，actor获得的奖励反而更低。old_log_prob[i] 作为正则项，可以保证概率分布的多样性
我们只在最后一个token上应用结果正确性奖励（reward_model的输出），加上score分数

通俗来说，整个reward的计算逻辑是典型的霸总逻辑：除非你能拿到好的结果（整句话高分），否则你就得给我守规矩（符合SFT的token分布）。

对于语言模型而言，生成第i个token的实际收益就是：从生成第i个token开始到生成第N个token为止，所能获得的所有奖励的总和。我们用return来表示实际收益，它的计算方式如下：

在算出实际收益与预期收益后，要做的就是强化优势动作：

在语言模型中，根据上下文生成一个 token 就是所谓的“动作”。强化优势动作表示：如果在上下文（context）中生成了某个 token，并且这个动作的优势很高，那么我们应该增加生成该 token 的概率，即增加 p(token|context)的值。

由于演员模型建模了p(token|context)，所以我们可以给演员模型设计一个损失函数，通过优化损失函数来实现“强化优势动作”：

其中：

当优势大于 0 时，概率越大，loss 越小；因此优化器会通过增大概率（即强化优势动作）来减小 loss
当优势小于 0 时，概率越小，loss 越小；因此优化器会通过减小概率（即弱化劣势动作）来减小 loss

实际使用时会采用如上公式，使用的是本次参数更新前的Actor模型。直观来说，当生成某个 token 的概率已经很大了的时候，即便这个动作的优势很大，也不要再使劲增大概率了。或者更通俗地说，就是步子不要迈得太大。

第四步（7号）

前面我们提到过，评论家会为 response 中的每个 token 计算一个预期收益，第 i个预期收益记为 values[i]，因为Critic不准，所以使用损失函数MSE来衡量评论家预期收益和真实收益之间的差距，在提升Actor的同时升级Critic：

第五部（8号）

最终优化时用的 loss 是演员和评论家损失函数的加权和：

以上就是大模型训练的设计思路及流程。

4 个人理解

大模型在训练过程中损失函数的设计，主要就是为了使模型达到分布合理与分高的双重目的：

在分布合理方面：使用ref_log_prob-old_log_prob进行模拟，同时对大模型正经的胡说八道进行纠正，避免模型回答一个与答案不符但奖励是高分的答案
模型希望答案的分值越高越好

若对模型进行优化，我认为可以加大答案符合原先回答分布概率的权重来进一步优化“幻觉”问题。

5 DPO模型训练方法

RLHF通常包含三个步骤：SFT、 Reward Model、 PPO。该方案优点不需多说，缺点也很明显：训练流程繁琐、算法复杂、超参数多和计算量大，因此RLHF替代方案层出不穷。

DPO（Direct Preference Optimization，直接优化策略）是一种非常高效的RLHF算法。它巧妙地绕过了构建奖励模型和强化学习这两个的繁琐过程，直接通过偏好数据进行微调，效果简单粗暴，在使模型输出更符合人类偏好的同时，极大地缩短了训练时间和难度。

DPO需要的数据与RLHF一致，都是经过人工排序后的QA语料对。主要不同就是损失函数的设计：

其中：

是偏好数据对中好的回答 (chosen)，则是偏好数据对中坏的回答(rejected)
是当给定输入为x时，当前策略生成好的答案的概率
是当给定输入为x时，原始（reference）策略生成好的答案的概率
当函数里面的部分越大时，整体的 loss 就越小，所以对于 DPO 的 loss，我们只需要将函数里面的部分最大化即可。再简化一下上述的 loss, 只提取函数里面的部分, 我们可以得到：

由此可以看出，其实 DPO 期望最大化的就是奖励模型对chosen数据和rejected数据的差值，从而来达到使模型的回答更偏向于人类排序靠前回答的目标。