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,行动指的是语言模型根据给定的提示(prompt)生成的输出文本。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
-
从prompt数据集中采样出一部分数据。
-
标注员根据要求为采样的prompt编写答案,形成demonstration data。
-
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
-
从prompt数据库中取样,并得到数个模型的答案。
-
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。
-
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
-
从prompt数据库中另外取样。
-
由监督学习初始化PPO模型。
-
模型给出答案。
-
奖励模型对回答打分。
-
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。
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。