72B模型DPO微调

最新推荐文章于 2025-04-16 15:31:25 发布
最新推荐文章于 2025-04-16 15:31:25 发布
阅读量1.2k 收藏 23
点赞数 9
文章标签： 大模型教程 大模型学习 大模型 人工智能 llama 大模型微调 AI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_65555479/article/details/144617951
版权

一、DPO的大模型的技术点

直接偏好优化（Direct Preference Optimization，DPO）是当前将大型语言模型（LLM）与人类偏好对齐的热门方法之一。借助 LoRA 和 QLoRA 等参数高效微调技术，我们可以在单GPU卡上对拥有80 亿参数的模型（如 Llama 3.1 8B 和 Qwen2.5 7B）进行 DPO 训练，当然训练序列可能较短。但如果更大的模型，比如72B，就需要使用多GPU卡。

技术点

举个例子，假设我们想在一台拥有 8 块 H100 GPU（总共 640 GB 显存）的机器上，对一个 700 亿参数的模型进行 DPO 训练。我们需要考虑以下几点：

  • 策略模型（Policy Model）：我们要训练的模型，占用约 140 GB 的显存。

  • 参考模型（Reference Model）：DPO 需要一个参考模型，通常与策略模型结构相同，也占用约 140 GB 的显存。

    这样，仅模型参数就已经用掉了 280 GB 的显存，大约是总显存的 43.75%。再加上优化器状态，比如使用 AdamW 优化器，每个参数会有两个额外的状态变量。如果这些状态变量以 16 位精度存储，会占用额外的 280 GB 显存。算下来，我们已经用了 560 GB 的显存，只剩下 80 GB 了。这些剩余的显存还要用于存储激活值和梯度。如果不采取特殊的方法，单靠一台机器恐怕无法训练。

二、微调并行化

我们可以使用 PyTorch 的 Fully Sharded Data Parallel（FSDP）技术，配合像 LoRA 和 QLoRA 这样的参数高效微调方法。FDSP类似于DeepSpeed的ZeRO3技术。

FSDP 是一种分布式训练技术，它可以将模型的参数、优化器状态和梯度分片，并分布到多个设备上（比如 GPU）。在前向和反向传播过程中，只有需要的参数片会被加载到内存中，计算完成后就会释放。这大大降低了内存需求。

当然在更大模型的训练的时候，可以使用 DeepSpeed 。DeepSpeed 那样需要大量的内存来存储全精度的模型参数。

在测试中，我两种方法都尝试了。我的环境是两个H100的VM：

在这里插入图片描述

我先展示使用accelerate的方法。

在这里插入图片描述

在这里插入图片描述

上述完整代码见我的repo。

需要指出的是，出于节省显存的目的，我设置的参考模型是通过LoRA adapter加载的，参考模型的基础模型和策略模型是一个。

启动训练：

#accelerate launch --config_file config_fsdp.yaml fsdp+QLoRA.py

三、 DPO 训练输出的各个字段解释

在 DPO 训练中，模型会被提供一组对话，每组包含相同的“提示（prompt）”或“问题（question）”，以及对应的“被选（chosen）”和“被拒（rejected）”回复。模型需要学习区分这些回复，倾向于生成高质量的“被选”回复。

DPO 训练数据解析

训练数据，包括：

  • 来源（source）：Airoboros

  • 被选回复（chosen）：包含多轮对话

  • 被拒回复（rejected）：包含多轮对话

  • 提示（prompt）：一段描述性的文字

  • 问题（question）：与提示相同的文字

    有时候数据中，“prompt” 和 “question” 可能是相同的，这在某些训练设置中可能用作对话的起始点。

在这里插入图片描述

接下来，我结合训练数据，大致介绍DPO训练的过程和结果。

在这里插入图片描述

DPO（直接偏好优化）的核心思想

1.DP的核心目标

  • 目标： 在不显式训练奖励模型的情况下，直接利用人类偏好数据对模型进行优化。

  • 参考模型的引入： 为了防止模型在优化过程中偏离原有的语言能力，DPO 引入了参考模型（通常是初始模型的副本，参数固定不变），作为正则化项。

2. 训练数据

  • 提示（Prompt）： 用户输入，例如：“请解释水的三态变化。”

  • 被选回复（Chosen Reply）： 人类评估为高质量、符合预期的回复。

  • 被拒回复（Rejected Reply）： 人类评估为质量较低、不符合预期的回复。

3. 训练过程

步骤 1：计算对数概率

对于当前模型（参数为 θ）：

  • 被选回复的对数概率：

    
`log_p_model_chosen = log( π_θ( chosen_reply | prompt ) )`

  • 被拒回复的对数概率：

    
`log_p_model_rejected = log( π_θ( rejected_reply | prompt ) )`

对于参考模型（参数固定）：

  • 被选回复的对数概率：

    
`log_p_ref_chosen = log( π_ref( chosen_reply | prompt ) )`

  • 被拒回复的对数概率：

    
`log_p_ref_rejected = log( π_ref( rejected_reply | prompt ) )`
步骤 2：计算偏好差值

  • 被选回复的偏好差值：

    
`delta_chosen = log_p_model_chosen - log_p_ref_chosen`

  • 被拒回复的偏好差值：

    
`delta_rejected = log_p_model_rejected - log_p_ref_rejected`
步骤 3：构建损失函数

  • 损失函数的形式：

    
`L(θ) = -log( exp( delta_chosen / β ) / [ exp( delta_chosen / β ) + exp( delta_rejected / β ) ] )`

    其中，β 是控制温度的超参数。

  • 目标： 最小化损失函数 ( L(θ) )，使得模型更倾向于生成被选回复，而不是被拒回复。

4. 示例

以您的例子为例：

  • Prompt（提示）： “请解释水的三态变化。”

  • Chosen Reply（被选回复）：

    “水有三种状态：固态、液态和气态。温度的变化会导致水在这些状态之间转化，例如冰融化成水，水蒸发成水蒸气。”

  • Rejected Reply（被拒回复）：

    “水是一种液体，在自然界中很常见。”

    步骤：

  1. 计算对数概率

  • log_p_model_chosen = -5

  • log_p_model_rejected = -7

  • log_p_ref_chosen = -6

  • log_p_ref_rejected = -6

  • 假设性的数值（用于说明）：

  1. 计算偏好差值

  • delta_chosen = -5 - (-6) = 1

  • delta_rejected = -7 - (-6) = -1

  1. 计算损失函数（β = 1）

  • 计算分子：

    
`exp( delta_chosen / β ) = exp(1) ≈ 2.718`

  • 计算分母：

    `exp( delta_chosen / β ) + exp( delta_rejected / β ) = exp(1) + exp(-1) ≈ 2.718 + 0.368 ≈ 3.086`

  • 计算损失：

    `L(θ) = -log( 2.718 / 3.086 ) ≈ -log(0.880) ≈ 0.127`

  • 损失较小，表示模型对被选回复的偏好已高于被拒回复。

  1. 优化模型参数
  • 通过反向传播，最小化损失 ( L(θ) )，进一步提高模型对被选回复的偏好。

5. 参考模型的作用

  • 正则化效果： 防止模型过度偏离初始语言模型，保证生成文本的质量和多样性。

  • 稳定训练过程： 提供一个固定的对照，使模型的更新更加平稳，避免发生梯度爆炸或消失。

6. 总结

  • DPO 训练过程： 模型利用 prompt、chosen、rejected 和参考模型，直接优化自身，使其生成的回复更符合人类偏好。

  • 参考模型不可或缺： 它在损失函数中提供了正则化项，确保模型在学习人类偏好的同时，保持原有的语言能力和知识。

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

在这里插入图片描述

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

请添加图片描述
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

请添加图片描述

大模型全套视频教程

请添加图片描述

200本大模型PDF书籍

请添加图片描述

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

请添加图片描述

大模型产品经理资源合集

请添加图片描述

大模型项目实战合集

请添加图片描述

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

大模型微调实战之 Transformer 强化学习（TRL Reinforcement Learning）（四） Direct Preference Optimization
段智华的博客
04-28 447
大模型微调实战之 Transformer 强化学习（TRL Reinforcement Learning）（四） Direct Preference Optimization 直接偏好优化（DPO）已成为微调新基础模型的方式。著名的 Mixtral 8x7B 是 Mistral 创建的稀疏专家混合模型，通过使用 DPO，能够以明显更少的参数达到 LLaMa 70B 的性能水平。当然，这种成功促使社区中的许多人开始使用 DPO 微调他们自己的模型。让我们深入了解 DPO 到底是什么以及 如何走到这一步的首先
LLaMA Factory单机微调的实战教程
热门推荐
herosunly的博客
04-24 20万+
本文主要介绍了使用LLaMA Factory对大模型进行单机微调的实战教程，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 模型选型与下载 3. 运行代码 3.1 构建训练数据 3.2 修改配置文件 3.3 微调
使用 DPO 微调 Llama 2
Hugging Face
08-22 1714
简介基于人类反馈的强化学习 (Reinforcement Learning from Human Feedback，RLHF) 事实上已成为 GPT-4 或 Claude 等 LLM 训练的最后一步，它可以确保语言模型的输出符合人类在闲聊或安全性等方面的期望。然而，它也给 NLP 引入了一些 RL 相关的复杂性: 既要构建一个好的奖励函数，并训练一个模型用以估计每个状态的价值 (value); 又...
72B模型DPO微调 | DPO的大模型的技术点、DPO的核心思想
Androiddddd的博客
12-20 1647
在。
【大模型】微调一个大模型需要多少 GPU 显存？
酒酿小圆子呀～
03-31 1727
模型微调所需的 GPU 显存取决于多个因素，包括模型大小、微调方法和优化策略。全量微调需要较大显存，而高效微调方法如 LoRA 和 QLoRA 可以显著减少显存需求。在实际项目中，还需考虑硬件配置和训练策略等因素来更精确地估算 GPU 显存需求。
大模型之DPO
谁怕平生太急
05-17 2400
这个loss同样用 Reference模型来计算KL散度，以免训练出来的模型偏离 SFT后的模型太远。研究引入身份偏好优化（IPO），它为 DPO 损失添加了正则化项，使人们能够训练模型收敛，而无需提前停止等技巧。实验的感觉是不如PPO、可能的原因是没有很好的调参，也可能是因为PPO pipeline环节引入了较多的人工经验。这么设计、意味着训练样本构造batch时，要将一个对话的样本放在一个batch里面，可以最大化训练效果。1、用排序来替代打分，降低标准的成本，获得更多的训练数据。
模型微调DPO入门
weixin_40777649的博客
06-25 1831
定义数据集格式llamafactory 训练案例入门文档阅读。
HW6：DPO 微调示例——根据人类偏好优化LLM大语言模型
a131529的博客
12-04 1164
本文为李宏毅学习笔记——2024春《GENERATIVE AI》篇——作业笔记HW6。
SFT、RLHF与DPO：大模型微调技术对比与应用
qq_40552871的博客
04-04 527
RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）是一种结合了强化学习与人类反馈的大模型微调技术。定义：RLHF通过人类对模型生成结果的评价作为奖励信号，利用强化学习算法对预训练模型进行微调，使模型能够生成更符合人类期望的输出。例如，在文本生成任务中，人类标注者对模型生成的文本进行评分，模型根据这些评分来调整自身参数，以生成更高质量的文本。原理：RLHF的核心在于将人类的主观评价转化为模型的优化目标。数据收集。
Intenlm DPO微调
01-04
### 对Intenlm模型应用DPO微调 对于Intenlm模型而言，采用DPO(Data Parallel Optimization)进行微调意味着直接优化策略模型(\(\pi_\theta\))而无需显式的奖励模型[^1]。具体来说，在准备阶段，需要收集偏好数据集...
我想自己组装一台服务器，微调大模型通义千问2.5 Omni 72B，但是我是个人购买，资金非常有限，最省的方案
最新发布
AngelCryToo的专栏
04-16 999
阶段动作✅ 推理用 GGUF + llama.cpp + 4090 加载 14B INT4✅ 微调训练 Qwen2.5-7B-Chat，使用 LoRA / QLoRA❌ 放弃Qwen2.5-Omni-72B 全量微调（显存需求 >160G，不现实）
使用DPO微调大模型Qwen2详解
weixin_43013480的博客
06-10 9130
基于人类反馈的强化学习 (Reinforcement Learning from Human Feedback，RLHF) 事实上已成为 GPT-4 或 Claude 等 LLM 训练的最后一步，它可以确保语言模型的输出符合人类在闲聊或安全性等方面的期望。但传统的RLHF比较复杂，且还需要奖励模型，故DPO方法被提出，其将现有方法使用的基于强化学习的目标转换为可以通过简单的二元交叉熵损失直接优化的目标，这一做法大大简化了 LLM 的提纯过程。
大模型对齐方法笔记一：DPO及其变种IPO、KTO、CPO
beingstrong的博客
05-16 1万+
大模型对齐方法DPO及其变种IPO、KTO、CPO原理
RLHF 和 DPO：简化和增强语言模型的微调
yanqianglifei的专栏
01-16 3313
人类反馈强化学习 (RLHF) 是人工智能领域的一种前沿方法，它利用人类偏好和指导来训练和改进机器学习模型。RLHF的核心是一种机器学习范式，它结合了强化学习和监督学习的元素，使人工智能系统能够以更加人性化的方式学习和做出决策。RLHF的重要性在于它有可能解决人工智能中的一些基本挑战，例如需要模型来理解和尊重人类的价值观和偏好。传统的强化学习模型通过与环境交互产生的奖励来学习，而 RLHF 则不同，它引入了人类反馈作为宝贵的指导来源。
大模型微调：RHLF与DPO浅析
我相信......
09-08 2070
大模型应用性能的提升不仅在于其预训练，而微调的作用也非常显著。对于多数从事大模型应用领域的团队而言，微调是一个核心的工作之一，为专门任务完善大模型并确保其产出符合我们的预期。1. 关于微调微调涉及调整预训练的LLM ，以更有效地执行特定的功能，提高其在不同应用程序中的效用。尽管LLM通过预训练获得了广泛的知识基础，仍需要定制以在特定领域或任务中表现出色。例如，对一般数据集上训练的大模型进行微调，以...
通义千问 Qwen-72B-Chat 大模型在PAI平台的微调实践
阿里云云栖号
01-04 3148
本文将以Qwen-72B-Chat为例，介绍如何在PAI平台的快速开始PAI-QuickStart和交互式建模工具PAI-DSW中高效微调千问大模型。
微调实操四:直接偏好优化方法-DPO
youbingchen的博客
02-26 2150
在《微调实操三:人类反馈对语言模型进行强化学习(RLHF)》中提到过第三阶段有2个方法,一种是是RLHF, 另外一种就是今天的DPO方法, DPO通过直接优化语言模型来实现对其行为的精确控制，而无需使用复杂的强化学习，也可以有效学习到人类偏好，DPO相较于RLHF更容易实现且易于训练，效果更好.
一文搞懂大模型强化学习策略：DPO、PPO和GRPO
2401_85373691的博客
03-12 2435
大模型很多技术干货，都可以共享给你们，如果你肯花时间沉下心去学习，它们一定能帮到你！
【LLM】大模型之RLHF和替代方法（DPO、RAILF、ReST等）
发现问题，并解决问题，批判性思维
12-11 1万+
SFT使用交叉熵损失函数，目标是调整参数使模型输出与标准答案一致，不能从整体把控output质量，RLHF（分为奖励模型训练、近端策略优化两个步骤）则是将output作为一个整体考虑，优化目标是使模型生成高质量回复。 启发1：像可以用6b、66b依次得到差一点、好一点的target构造排序数据集，进行DPO直接偏好学习或者其他RLHF替代方法（RAILF、ReST等），比直接RLHF更方便训练 启发2：为了减少幻觉（如拒绝回答），可以构造排序数据集（如good response为拒绝话术，bad respo
大模型微调DPO、PPO
04-02
<think>好的，我现在需要帮助用户比较和实现大模型微调中的DPO和PPO方法。首先，我需要回顾一下用户提供的引用资料，确保准确理解这两个方法的核心概念和差异。 用户给出的引用中有几个关键点：PPO属于强化学习方法，需要奖励模型来指导策略更新，而DPO则直接利用偏好数据优化策略，省去了奖励模型和复杂的强化学习过程。引用[1]提到PPO通过奖励信号训练模型，保持稳定性；引用[4]指出DPO绕过了奖励模型和强化学习，直接微调，效率更高。此外，引用[3]详细描述了RLHF的步骤，包括初始化参数、收集数据、计算奖励和更新参数，而引用[2]和[4]则强调DPO简化了流程，直接优化人类偏好。 接下来，我需要组织这些信息，进行系统性的比较。比较的维度可能包括算法原理、实现步骤、优缺点、适用场景等。同时，用户还要求生成相关问题，这需要在回答的最后部分列出相关问题，帮助用户深入探索。 在实现部分，用户可能需要示例代码或步骤说明。虽然实际代码可能复杂，但可以给出伪代码或关键步骤，比如数据准备、损失函数计算和参数更新。对于PPO，需要强调奖励模型的使用和策略迭代；而DPO则展示如何直接利用偏好数据优化策略。 需要注意的是，确保回答符合用户给出的格式要求：行内数学公式用$...$，独立公式用$$...$$，中文回答，结构清晰。同时，正确引用提供的资料，如引用[^1]、[^2]等。 最后，检查是否有遗漏的关键点，比如DPO的效率优势、PPO的稳定性机制，以及两者的应用场景差异。确保回答准确、全面，并且符合用户的需求。</think>### 大模型微调方法 DPO 与 PPO 的对比与实现 #### 一、核心原理对比 1. **PPO（Proximal Policy Optimization）** - 基于强化学习框架，通过奖励信号指导策略更新，需构建独立的奖励模型[^1] - 核心公式为策略梯度目标函数： $$L^{CLIP}(\theta) = \mathbb{E}_t[\min(r_t(\theta)\hat{A}_t, \text{clip}(r_t(\theta),1-\epsilon,1+\epsilon)\hat{A}_t)]$$ 其中$r_t(\theta)$为新旧策略概率比，$\hat{A}_t$为优势函数估计值[^3] 2. **DPO（Direct Preference Optimization）** - 将偏好数据直接映射到策略优化，无需奖励模型和强化学习循环[^4] - 核心公式改写为基于Bradley-Terry模型的损失函数： $$L_{\text{DPO}}(\theta) = -\mathbb{E}_{(x,y_w,y_l)\sim D}[\log\sigma(\beta \log\frac{\pi_\theta(y_w|x)}{\pi_{\text{ref}}(y_w|x)} - \beta \log\frac{\pi_\theta(y_l|x)}{\pi_{\text{ref}}(y_l|x)})]$$ 其中$\beta$为温度参数，$\pi_{\text{ref}}$为参考策略 #### 二、实现流程对比 | 维度 | PPO | DPO | |----------|--------------------------------------|--------------------------------------| | 数据需求 | 需要标注奖励值的样本 | 仅需偏好排序数据（A > B） | | 训练复杂度 | 需交替更新策略模型和奖励模型 | 单阶段端到端训练 | | 计算资源 | 高（需多模型协同） | 低（仅优化策略模型） | | 收敛速度 | 慢（需策略迭代） | 快（直接梯度下降） | | 稳定性 | 需clip机制防策略突变 | 内置KL约束保证稳定性 | #### 三、典型应用场景 1. **PPO适用场景** - 需要精确控制生成内容属性的任务（如安全对齐） - 具备充足计算资源和标注能力的场景 2. **DPO适用场景** - 快速响应人类偏好的对话系统优化 - 资源受限但拥有大量偏好数据的场景 #### 四、代码实现示例 **PPO关键步骤**（伪代码）： ```python # 初始化策略模型和奖励模型 policy = load_pretrained_model() reward_model = load_reward_model() for epoch in epochs: # 生成响应并计算奖励 responses = policy.generate(inputs) rewards = reward_model(responses, inputs) # 计算策略梯度 loss = clipped_surrogate_loss(policy, responses, rewards) optimizer.step(loss) ``` **DPO实现核心**（简化版）： ```python class DPOTrainer: def __init__(self, model, ref_model): self.model = model # 待优化模型 self.ref_model = ref_model # 冻结的参考模型 def dpo_loss(self, chosen_logprobs, rejected_logprobs): log_ratios = chosen_logprobs - rejected_logprobs return -torch.log(torch.sigmoid(self.beta * log_ratios)) ``` #### 五、选择建议 - 追求训练效率选**DPO**：如对话系统快速迭代 - 需要精细控制选**PPO**：如安全敏感场景 - 混合使用场景：可先用DPO快速对齐，再用PPO精细调整
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序员辣条

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值