全部标签
写点什么
OpenHarmony算法元宇宙MySQL移动开发学习方法学习方法Web3.0高效工作数据库Python音视频前端AI大数据团队管理程序员运维深度思考低代码redisgolang微服务架构flutter 查看更多

使用 PPO 算法进行 RLHF 的 N 步实现细节

作者：EquatorCoco
  • 2023-11-17
    福建

  • 本文字数：14578 字

    阅读完需：约 48 分钟

当下，RLHF/ChatGPT 已经变成了一个非常流行的话题。我们正在致力于更多有关 RLHF 的研究，这篇博客尝试复现 OpenAI 在 2019 年开源的原始 RLHF 代码库，其仓库位置位于 openai/lm-human-preferences。尽管它具有 “tensorflow-1.x” 的特性，但 OpenAI 的原始代码库评估和基准测试非常完善，使其成为研究 RLHF 实现工程细节的好地方。


我们的目标是:


  1. 复现 OAI 在风格化任务中的结果，并匹配 openai/lm-human-preferences 的学习曲线。


  1. 提供一个实现细节的清单，类似于 近端优化策略的 37 个实施细节 (The 37 Implementation Details of Proximal Policy Optimization) 和 没有痛苦折磨的调试 RL (Debugging RL, Without the Agonizing Pain) 的风格;


  1. 提供一个易于阅读且简洁的 RLHF 参考实现;


这项工作仅适用于以教育/学习为目的的。对于需要更多功能的高级用户，例如使用 PEFT 运行更大的模型， huggingface/trl 将是一个不错的选择。



  • 然后我们深入探讨了与复现 OAI 的工作相关的实现细节。在 总体实现细节 中，我们讨论了基本细节，像如何生成奖励/值和如何生成响应。在 奖励模型实现细节 中，我们讨论了诸如奖励标准化之类的细节。在 策略训练实现细节 中，我们讨论了拒绝采样和奖励“白化”等细节。



  • 接下来，我们检查了在奖励标签由 gpt2-large 生成的情况下，训练不同基础模型 (例如 gpt2-xl, falcon-1b) 的效果。


  • 最后，我们通过讨论一些限制来总结我们的研究工作。


以下是一些重要链接:





匹配学习曲线


我们的主要贡献是在风格化任务中复现 OAI 的结果，例如情感和描述性。如下图所示，我们的代码库 (橙色曲线) 能够产生与 OAI 的代码库 (蓝色曲线) 几乎相同的学习曲线。



关于运行 openai/lm-human-preferences 的说明


为了直观比较，我们运行了原始的 RLHF 代码，其仓库位置位于 openai/lm-human-preferences，它将提供宝贵的指标，以帮助验证和诊断我们的复现。我们能够设置原始的 TensorFlow 1.x 代码，但它需要一个非常特定的设置:


  • OAI 的数据集部分损坏/丢失 (所以我们用类似的 HF 数据集替换了它们，这可能会或可能不会导致性能差异)



  • 它不能在 1 个 V100 上运行，因为它没有实现梯度累积。相反，它使用一个大的 BS (批量大小)，并在 8 个 GPU 上分割 batch (批量)，仅在 1 个 GPU 上就会出现 OOM (内存溢出)。


  • 它不能在 8 个 A100 上运行，因为它使用的是 TensorFlow 1.x，与 Cuda 8+ 不兼容。


  • 它不能在 8 个 V100 (16GB) 上运行，因为它会 OOM (内存溢出)。


  • 它只能在 8 个 V100 (32GB) 上运行，这种配置仅由 AWS 以 p3dn.24xlarge 实例的形式提供。


总体实现细节


我们现在深入探讨与复现 OAI 工作相关的技术实现细节。在这个部分，我们讨论了一些基本细节，例如奖励/值是如何生成的，以及响应是如何生成的。以下是这些细节，不按特定顺序列出:


  1. 奖励模型和策略的价值头将 query 和 response 的连接作为输入



  • 举例来说，如果 query = "他在想某事，但他的眼神很难读懂"。 ，和 response = "他看着他的左手，手臂伸在他的前面。" ，那么奖励模型和策略的价值会对query_response = "他在想某事，但他的眼神很难读懂。他看着他的左手，手臂伸在他的前面。" 进行前向传递，并产生形状为 (B, T, 1) 的奖励和价值，其中 B 是 BS (批量大小)，T 是序列长度，而 1 代表奖励头的输出结构的维度为 1 (lm_human_preferences/rewards.py#L105-L107, lm_human_preferences/policy.py#L111)。


  • T 意味着每个 token 都有与其和前文关联的奖励。例如，eyes token 将有一个与他在想某事，但他的眼神很难读懂 相对应的奖励。


  1. 使用特殊的填充 token 来填充和截断输入。


  • 关于 HF 的 transformers — 填充 token 的注解。 根据 (transformers#2630#issuecomment-578159876)，在 GPT 和 GPT-2 的预训练期间没有使用填充 token; 因此，transformer 的 gpt2 模型与其分词器没有关联的官方填充 token。通常的做法是设置 tokenizer.pad_token = tokenizer.eos_token ，但在这项工作中，我们将区分这两个特殊 token 以匹配 OAI 的原始设置，所以我们将使用 tokenizer.add_special_tokens({"pad_token": "[PAD]"}) 。


  • 注意，没有填充 token 是解码器模型的默认设置，因为它们在预训练期间使用“打包”训练，这意味着许多序列被连接并由 EOS token 分隔，这些序列的块在预训练期间始终具有最大长度并被馈送到模型中。


  • 当把所有事物放在一起时，这里有一个例子


import transformerstokenizer = transformers.AutoTokenizer.from_pretrained("gpt2", padding_side="right")tokenizer.add_special_tokens({"pad_token": "[PAD]"})query_length = 5texts = [    "usually, he would",    "she thought about it",]tokens = []for text in texts:    tokens.append(tokenizer.encode(text)[:query_length]) print("tokens", tokens)inputs = tokenizer.pad(    {"input_ids": tokens},    padding="max_length",    max_length=query_length,    return_tensors="pt",    return_attention_mask=True,)print("inputs", inputs) """prints aretokens [[23073, 11, 339, 561], [7091, 1807, 546, 340]]inputs {'input_ids': tensor([[23073, 11, 339, 561, 50257],        [ 7091, 1807, 546, 340, 50257]]), 'attention_mask': tensor([[1, 1, 1, 1, 0],        [1, 1, 1, 1, 0]])}"""
复制代码


相应地调整填充 token 的位置索引


  1. 在计算 logits 时，OAI 的代码通过适当地屏蔽填充 token 来工作。这是通过找出与填充 token 相对应的 token 索引来实现的 (lm_human_preferences/language/model.py#L296-L297)，然后相应地调整它们的位置索引 (lm_human_preferences/language/model.py#L320)。


  1. 例如，如果 query=[23073, 50259, 50259] 和 response=[11, 339, 561] ，其中 ( 50259 是 OAI 的填充 token)，它会创建位置索引为 [[0 1 1 1 2 3]] 并且如下的 logits。注意填充 token 对应的 logits 如何保持不变！这是我们在复制过程中应该追求的效果。


all_logits [[[ -35.28693 -34.2875 -38.16074 ... -41.595802 -41.082108    -35.36577 ][ -35.28693 -34.2875 -38.16074 ... -41.595802 -41.082108    -35.36577 ][ -35.28693 -34.2875 -38.16074 ... -41.595802 -41.082108    -35.36577 ][-111.303955 -110.94471 -112.90624 ... -113.13064 -113.7788-109.17345 ][-111.51512 -109.61077 -114.90231 ... -118.43514 -111.56671-112.12478 ][-122.69775 -121.84468 -128.27417 ... -132.28055 -130.39604-125.707756]]] (1, 6, 50257)
复制代码


关于 HF 的 transformers — position_ids 和 padding_side 的注解。 我们可以通过 1) 左填充和 2) 传入适当的 position_ids ，使用 Hugging Face 的 transformer 复制精确的 logits:


import torchimport transformerstokenizer = transformers.AutoTokenizer.from_pretrained("gpt2", padding_side="right")tokenizer.add_special_tokens({"pad_token": "[PAD]"})pad_id = tokenizer.pad_token_idquery = torch.tensor([    [pad_id, pad_id, 23073],])response = torch.tensor([    [11, 339, 561],])temperature = 1.0 query = torch.tensor(query)response = torch.tensor(response).long()context_length = query.shape[1]query_response = torch.cat((query, response), 1)pretrained_model = transformers.AutoModelForCausalLM.from_pretrained("gpt2")def forward(policy, query_responses, tokenizer):    attention_mask = query_responses != tokenizer.pad_token_id    position_ids = attention_mask.cumsum(1) - attention_mask.long() # exclusive cumsum    input_ids = query_responses.clone()    input_ids[~attention_mask] = 0    return policy(        input_ids=input_ids,        attention_mask=attention_mask,        position_ids=position_ids,        return_dict=True,        output_hidden_states=True,    )output = forward(pretrained_model, query_response, tokenizer)logits = output.logitslogits /= temperatureprint(logits) """tensor([[[ -26.9395, -26.4709, -30.0456, ..., -33.2208, -33.2884,        -27.4360],        [ -27.1677, -26.7330, -30.2386, ..., -33.6813, -33.6931,        -27.5928],        [ -35.2869, -34.2875, -38.1608, ..., -41.5958, -41.0821,        -35.3658],        [-111.3040, -110.9447, -112.9062, ..., -113.1306, -113.7788,        -109.1734],        [-111.5152, -109.6108, -114.9024, ..., -118.4352, -111.5668,        -112.1248],        [-122.6978, -121.8447, -128.2742, ..., -132.2805, -130.3961,        -125.7078]]], grad_fn=<DivBackward0>)"""
复制代码


  • 关于 HF 的 transformers ——在 生成 过程中的 position_ids 的注解: 在生成过程中，我们不应传入 position_ids ，因为在 transformers 中， position_ids 已经以某种方式被调整了。当我在生成过程中也传入 position_ids 时，性能会灾难性地恶化。


  • 通常情况下，我们几乎从不在 transformers 中传递 position_ids 。所有的遮蔽 (masking) 和移位 (shifting) logic 已经实现，例如，在 generate 函数中 (需要永久的代码链接)。


  • 生成固定长度响应的响应生成不需要填充。



  • 关于 HF 的 transformers 的注解 — 在 eos_token 处采样可能会停止: 在 transformers 中，生成可能会在 eos_token 处停止 (src/transformers/generation/utils.py#L2248-L2256)，这与 OAI 的设置不同。为了对齐设置，我们需要设置 pretrained_model.generation_config.eos_token_id = None, pretrained_model.generation_config.pad_token_id = None 。请注意， transformers.GenerationConfig(eos_token_id=None, pad_token_id=None, ...) 不起作用，因为 pretrained_model.generation_config 会覆盖并设置一个 eos_token 。


import torchimport transformerstokenizer = transformers.AutoTokenizer.from_pretrained("gpt2", padding_side="right")tokenizer.add_special_tokens({"pad_token": "[PAD]"})pad_id = tokenizer.pad_token_idquery = torch.tensor([    [pad_id, pad_id, 23073],])response = torch.tensor([    [11, 339, 561],])response_length = 4temperature = 0.7pretrained_model = transformers.AutoModelForCausalLM.from_pretrained("gpt2")pretrained_model.generation_config.eos_token_id = None # disable `pad_token_id` and `eos_token_id` because we just want topretrained_model.generation_config.pad_token_id = None # generate tokens without truncation / paddinggeneration_config = transformers.GenerationConfig(    max_new_tokens=response_length,    min_new_tokens=response_length,    temperature=temperature,    top_k=0.0,    top_p=1.0,    do_sample=True,)context_length = query.shape[1]attention_mask = query != tokenizer.pad_token_idinput_ids = query.clone()input_ids[~attention_mask] = 0 # set padding tokens to 0output = pretrained_model.generate(    input_ids=input_ids,    attention_mask=attention_mask,    # position_ids=attention_mask.cumsum(1) - attention_mask.long(), # generation collapsed if this was turned on. TODO: why does generation collapse with this?    generation_config=generation_config,    return_dict_in_generate=True,)print(output.sequences) """tensor([[ 0, 0, 23073, 16851, 11, 475, 991]])"""
复制代码



  • 奖励模型和策略训练的学习率退火。


  • 正如 Ziegler 等人 (2019) 建议的，奖励模型只训练一个 epcho，以避免过度拟合有限量的人类注释数据 (例如，descriptiveness 任务只有大约 5000 个标签)。在这个单一的 epcho 中，学习率会退火至零 (lm_human_preferences/train_reward.py#L249)。



  • 为不同的进程使用不同的种子


  • 在生成 8 个 GPU 进程进行数据并行时，OAI 为每个进程设置了不同的随机种子 (lm_human_preferences/utils/core.py#L108-L111)。在实现上，这是通过 local_seed = args.seed + process_rank * 100003 完成的。种子会让模型产生不同的响应并得到不同的分数，例如。



奖励模型实现细节


在本节中，我们讨论了奖励模型特定的实现细节。我们讨论了诸如奖励归一化和层初始化等细节。以下是这些细节，不按特定顺序排列:


  • 奖励模型只输出最后一个 token 的值。


  • 请注意，在对 query 和 response 的连接进行前向传递后获得的奖励将具有形状 (B, T, 1) ，其中 B 是 BS(批量大小)，T 是序列长度 (始终相同; 在 OAI 的设置中，它是 query_length + response_length = 64 + 24 = 88 ，用于风格任务，参见 launch.py#L9-L11)，1 是奖励头其维度为 1。对于 RLHF (Reinforcement Learning from Human Feedback，通过人类反馈进行强化学习) 的目的，原始代码库提取最后一个 token 的奖励 (lm_human_preferences/rewards.py#L132)，因此奖励将只具有形状 (B, 1) 。



  • 奖励头层初始化




  • 奖励模型的前后归一化


  • 在论文中，Ziegler 等人 (2019) 提到“为了保持训练过程中奖励模型的规模一致，我们将其归一化，使其在 �∼�,�∼�(·|�) 的情况下，均值为 0，方差为 1”。为了执行归一化过程，代码首先创建了 reward_gain 和 reward_bias ，以便可以通过 reward = reward * reward_gain + reward_bias 来计算奖励值 (lm_human_preferences/rewards.py#L50-L51)。



  • 我们用�� 来表示实证均值，用�� 表示实证标准差，用� 表示 reward_gain ，用� 表示 reward_bias ，用��=0 表示 目标均值，用��=1 表示 目标标准差。然后我们有以下公式。




策略训练实现细节


在本节中，我们将深入探讨诸如层初始化、数据后处理和 dropout 设置等细节。我们还将探讨一些技术，如拒绝采样和奖励 “白化”，以及自适应 KL。以下是这些细节，排列不分先后:


  • 通过采样温度来缩放 logits


  • 在计算响应的对数概率时，模型首先输出响应中 token 的 logits，然后用采样温度除以这些 logits (lm_human_preferences/policy.py#L121)。即 logits /= self.temperature


  • 在一个非正式的测试中，我们发现如果不进行此缩放，KL 散度会比预期更快地上升，性能会下降。


  • 价值头层的初始化




  • 选择以句号开始和结束的查询文本


  • 这是数据预处理的一部分:






  • 对于书籍数据集，我们使用 https://huggingface.co/datasets/bookcorpus，我们发现没有必要提取以句号开始和结束的句子，因为数据集已经是这样预处理过的 (例如，"usually , he would be tearing around the living room , playing with his toys." ) 为此，我们为 sentiment 和 descriptiveness 任务设置 start_text=None, end_text=None 。


  • 禁用 dropout



  • 拒绝采样


  • Ziegler 等人 (2019) 建议: “我们使用拒绝采样来确保在第 16 和 24 个 token 之间有一个句号，然后在那个句号处截断 (这是‘句子结束’的粗略近似。我们选择它是因为它很容易集成到 RL 循环中，即使是粗略的近似也足以使人类评估任务变得稍微容易一些)。在 RL 微调期间，我们对没有这样的句号的延续给予固定奖励 -1。”


  • 具体来说，通过以下步骤实现此目的:



  • 代码注释: “中心示例: 将截断 token 后的所有 token 替换为填充 token”


  • 在截断响应上运行奖励模型: 在 token 截断过程将响应截断后，代码然后在 截断的响应 上运行奖励模型。



  • 代码注释: “中心示例: 确保样本包含 truncate_token “


  • 代码注释: “只对通过该功能的响应进行人类查询”


  • 在 descriptiveness 中举一些例子:




  • 折现因子 (discount factor) = 1



  • 训练循环的术语: PPO 中的批次和小批次



import numpy as npbatch_size = 8nminibatches = 2gradient_accumulation_steps = 2mini_batch_size = batch_size // nminibatchesmicro_batch_size = mini_batch_size // gradient_accumulation_stepsdata = np.arange(batch_size).astype(np.float32)print("data:", data)print("batch_size:", batch_size)print("mini_batch_size:", mini_batch_size)print("micro_batch_size:", micro_batch_size)for epoch in range(4):    batch_inds = np.random.permutation(batch_size)    print("epoch:", epoch, "batch_inds:", batch_inds)    for mini_batch_start in range(0, batch_size, mini_batch_size):        mini_batch_end = mini_batch_start + mini_batch_size        mini_batch_inds = batch_inds[mini_batch_start:mini_batch_end]                # `optimizer.zero_grad()` set optimizer to zero for gradient accumulation        for micro_batch_start in range(0, mini_batch_size, micro_batch_size):            micro_batch_end = micro_batch_start + micro_batch_size            micro_batch_inds = mini_batch_inds[micro_batch_start:micro_batch_end]            print("____⏩ a forward pass on", data[micro_batch_inds])        # `optimizer.step()`        print("⏪ a backward pass on", data[mini_batch_inds]) # data: [0. 1. 2. 3. 4. 5. 6. 7.]# batch_size: 8# mini_batch_size: 4# micro_batch_size: 2# epoch: 0 batch_inds: [6 4 0 7 3 5 1 2]# ____⏩ a forward pass on [6. 4.]# ____⏩ a forward pass on [0. 7.]# ⏪ a backward pass on [6. 4. 0. 7.]# ____⏩ a forward pass on [3. 5.]# ____⏩ a forward pass on [1. 2.]# ⏪ a backward pass on [3. 5. 1. 2.]# epoch: 1 batch_inds: [6 7 3 2 0 4 5 1]# ____⏩ a forward pass on [6. 7.]# ____⏩ a forward pass on [3. 2.]# ⏪ a backward pass on [6. 7. 3. 2.]# ____⏩ a forward pass on [0. 4.]# ____⏩ a forward pass on [5. 1.]# ⏪ a backward pass on [0. 4. 5. 1.]# epoch: 2 batch_inds: [1 4 5 6 0 7 3 2]# ____⏩ a forward pass on [1. 4.]# ____⏩ a forward pass on [5. 6.]# ⏪ a backward pass on [1. 4. 5. 6.]# ____⏩ a forward pass on [0. 7.]# ____⏩ a forward pass on [3. 2.]# ⏪ a backward pass on [0. 7. 3. 2.]# epoch: 3 batch_inds: [7 2 4 1 3 0 6 5]# ____⏩ a forward pass on [7. 2.]# ____⏩ a forward pass on [4. 1.]# ⏪ a backward pass on [7. 2. 4. 1.]# ____⏩ a forward pass on [3. 0.]# ____⏩ a forward pass on [6. 5.]# ⏪ a backward pass on [3. 0. 6. 5.]
复制代码


  • 基于每个标记的 KL 惩罚



  • 以 “usually, he would” 为例，它被标记化为 [23073, 11, 339, 561] 。假设我们使用 [23073] 作为查询，[11, 339, 561] 作为响应。然后在默认的 gpt2 参数下，响应标记将具有参考策略的对数概率 logprobs=[-3.3213, -4.9980, -3.8690] 。


  • 在第一个 PPO 更新时期和小批次更新时，激活策略将具有相同的对数概率new_logprobs=[-3.3213, -4.9980, -3.8690] 。因此，每个标记的 KL 惩罚将为 kl = new_logprobs - logprobs = [0., 0., 0.] 。


  • 但是，在第一个梯度反向传播后，我们可能会得到 new_logprob=[3.3213, -4.9980, -3.8690] ，因此每个标记的 KL 惩罚变为 kl = new_logprobs - logprobs = [-0.3315, -0.0426, 0.6351] 。


  • 随后，non_score_reward = beta * kl ，其中 beta 是 KL 惩罚系数 ����，它被添加到从奖励模型获得的 score 中，以创建用于训练的 rewards 。score 仅在每个回合 ( episode ) 结束时给出，可能类似于 [0.4] ，然后我们有 rewards = [beta * -0.3315, beta * -0.0426, beta * 0.6351 + 0.4] 。


  • 每个小批次的奖励和优势白化，可选择均值平移


  • OAI 实现了一个名为 whiten 的函数，如下所示，基本上通过减去其均值然后除以其标准差来对 values 进行归一化。可选地，whiten 可以通过 shift_mean=True 将白化后的 values 平移到均值。


def whiten(values, shift_mean=True):    mean, var = torch.mean(values), torch.var(values, unbiased=False)    whitened = (values - mean)* torch.rsqrt(var + 1e-8)    if not shift_mean:        whitened += mean    return whitened
复制代码



  • 优化注意事项: 如果小批次的数量为一 (在此复现中是这种情况)，我们只需要对奖励进行白化、计算并对优势进行一次白化，因为它们的值不会改变。


  • TensorFlow vs PyTorch 注意事项: tf.moments 与 torch.var 的不同行为: 由于方差计算方式不同，Torch 和 TensorFlow 中的白化行为不同:


import numpy as npimport tensorflow as tfimport torch def whiten_tf(values, shift_mean=True):    mean, var = tf.nn.moments(values, axes=list(range(values.shape.rank)))    mean = tf.Print(mean, [mean], 'mean', summarize=100)    var = tf.Print(var, [var], 'var', summarize=100)    whitened = (values - mean)* tf.rsqrt(var + 1e-8)    if not shift_mean:        whitened += mean    return whitened def whiten_pt(values, shift_mean=True, unbiased=True):    mean, var = torch.mean(values), torch.var(values, unbiased=unbiased)    print("mean", mean)    print("var", var)    whitened = (values - mean)* torch.rsqrt(var + 1e-8)    if not shift_mean:        whitened += mean    return whitened rewards = np.array([    [1.2, 1.3, 1.4],    [1.5, 1.6, 1.7],    [1.8, 1.9, 2.0],]) with tf.Session() as sess:    print(sess.run(whiten_tf(tf.constant(rewards, dtype=tf.float32), shift_mean=False)))    print(whiten_pt(torch.tensor(rewards), shift_mean=False, unbiased=True))    print(whiten_pt(torch.tensor(rewards), shift_mean=False, unbiased=False))
复制代码


  • 裁剪值函数



  • 自适应 KL 散度


  • KL 散度惩罚系数 � 根据当前策略与先前策略之间的 KL 散度自适应修改。如果 KL 散度超出预定的目标范围，则调整惩罚系数以使其更接近目标范围 (lm_human_preferences/train_policy.py#L115-L124)。它的实现如下:


class AdaptiveKLController:    def __init__(self, init_kl_coef, hparams):        self.value = init_kl_coef        self.hparams = hparams     def update(self, current, n_steps):        target = self.hparams.target        proportional_error = np.clip(current / target - 1, -0.2, 0.2)        mult = 1 + proportional_error * n_steps / self.hparams.horizon        self.value *= mult
复制代码


  • 对于本工作中研究的 sentiment 和 descriptiveness 任务，我们使用了 init_kl_coef=0.15, hparams.target=6, hparams.horizon=10000 。


PyTorch Adam 优化器与 RLHF 相关的数值问题


  • 这个实现细节非常有趣，值得专门一节来讨论。


  • PyTorch 的 Adam 优化器 (torch.optim.Adam.html) 与 TensorFlow 的 Adam 优化器 (TF1 Adam 在 tensorflow/v1.15.2/adam.py，TF2 Adam 在 keras/adam.py#L26-L220) 有不同的实现方式。具体来说， PyTorch 遵循了 Kingma 和 Ba 的 Adam 论文中的算法 1 (arxiv/1412.6980)，而 TensorFlow 使用了该论文第 2.1 节前的公式，这里提到的 epsilon 在论文中称为 epsilon hat 。在伪代码比较中，我们有以下内容:


### pytorch adam implementation:bias_correction1 = 1 - beta1 ** stepbias_correction2 = 1 - beta2 ** stepstep_size = lr / bias_correction1bias_correction2_sqrt = _dispatch_sqrt(bias_correction2)denom = (exp_avg_sq.sqrt() / bias_correction2_sqrt).add_(eps)param.addcdiv_(exp_avg, denom, value=-step_size) ### tensorflow adam implementation:lr_t = lr * _dispatch_sqrt((1 - beta2 ** step)) / (1 - beta1 ** step)denom = exp_avg_sq.sqrt().add_(eps)param.addcdiv_(exp_avg, denom, value=-lr_t)
复制代码


让我们比较一下 PyTorch 风格和 TensorFlow 风格 Adam 的更新方程。按照 Adam 论文 (Kingma 和 Ba，2014) 的符号表示，我们可以得到 PyTorch Adam (Kingma 和 Ba 论文的算法 1) 和 TensorFlow 风格 Adam (Kingma 和 Ba 论文第 2.1 节前的公式) 的梯度更新规则如下:



  • 上面的方程强调了 PyTorch 和 TensorFlow 实现之间的区别在于它们的 归一化项，即 �1−�2� 和 �^。如果我们设置 �^=�1−�2�，则这两个版本是等价的。然而，在 PyTorch 和 TensorFlow 的 API 中，我们只能通过 eps 参数设置 � (PyTorch) 和 �^ (TensorFlow)，从而导致它们的更新方程存在差异。如果我们将 � 和 �^ 都设置为相同的值，比如 1e-5 会发生什么？那么对于 TensorFlow Adam，归一化项 �^=1e-5 就是一个常数。但对于 PyTorch Adam，归一化项 �1−�2� 随着时间的推移而变化。重要的是，当时间步 � 较小时，该项 �1−�2� 明显小于 1e-5，随着时间步增加，逐渐接近 1e-5。下面的图表比较了这两个归一化项随着时间步的变化情况:



  • 上图显示，如果我们在 PyTorch Adam 和 TensorFlow Adam 中设置相同的 eps ，那么在训练的早期阶段，PyTorch Adam 使用的归一化项要比 TensorFlow Adam 小得多。换句话说，PyTorch Adam 在训练的早期采用了 更激进的梯度更新。我们的实验证明了这一发现，如下所示。



  • 由于某种原因， PyTorch 的 Adam 生成了更激进的更新。以下是一些证据:


  • PyTorch 的 Adam 的 logprob_diff_var 高出 6 倍。这里的 logprobs_diff = new_logprobs - logprobs 是经过两个训练周期后，初始策略和当前策略之间的标记对数概率差异。具有更大的 logprob_diff_var 意味着对数概率变化的幅度比 OAI 的 TF1 Adam 大。


  • PyTorch 的 Adam 呈现更极端的最大和最小比率。这里的 ratio = torch.exp(logprobs_diff) 。具有 ratio_max=1.8121057748794556 意味着对于某些标记，在当前策略下抽取该标记的概率要比 OAI 的 TF1 Adam 高 1.8 倍，而后者仅为 1.2 倍。


  • 更大的 policy/approxkl 和 policy/clipfrac。由于激进的更新，比率被剪切的次数 多 4.4 倍，近似的 KL 散度大 6 倍。


  • 这种激进的更新可能会导致进一步的问题。例如，PyTorch 的 Adam 中的logprob_diff_mean 要大 1.7 倍，这将对下一个奖励计算中的 KL 惩罚产生 1.7 倍大的影响; 这可能会被累积。实际上，这可能与著名的 KL 散度问题有关—— KL 惩罚远大于它应该的值，模型可能会更多地关注它并进行更多优化，从而导致负的 KL 散度。


  • 更大的模型受到更多影响。我们进行了一些实验，比较了 PyTorch 的 Adam (代号 pt_adam ) 和我们自定义的类似 TensorFlow 风格的 Adam (代号 tf_adam ) 在 gpt2 和 gpt2-xl 上的性能。我们发现在 gpt2 下性能大致相似; 但是在 gpt2-xl 下，我们观察到了更激进的更新，这意味着更大的模型受到了更多的影响。


  • 当在 gpt2-xl 中初始策略更新更为激进时，训练动态会受到影响。例如，我们发现使用 pt_adam 时，sentiment 的 objective/kl 和 objective/scores 峰值要大得多， 在其中一个随机种子中，最大的 KL 值达到了 17.5 ，这表明了不希望的过度优化。


  • 此外，由于 KL 更大，许多其他训练指标也受到影响。例如，我们观察到更大的 clipfrac (ratio 被 PPO 的目标裁剪系数 0.2 裁剪的时间比例) 和 approxkl 。




局限性


注意到这项工作没有尝试复现 CNN DM 中的摘要工作。这是因为我们发现训练耗时且不稳定。

我们的特定训练运行显示 GPU 利用率较低 (约 30%)，因此一个训练运行需要近 4 天的时间，这非常昂贵 (只有 AWS 销售 p3dn.24xlarge，每小时费用为 31.212 美元)。


此外，训练也很不稳定。虽然奖励值上升，但我们发现难以复现 Ziegler 等人 (2019 年) 报告的“智能复制”行为。以下是一些样本输出 — 显然，智能体出现了某种程度的过拟合。请查看 https://wandb.ai/openrlbenchmark/lm-human-preferences/runs/1ab47rqi/logs 以获取更完整的日志。




总结


在这项工作中，我们深入研究了 OpenAI 的原始 RLHF (Reinforcement Learning from Human Feedback) 代码库，并编制了其实施细节的列表。我们还创建了一个最小的基础版本，当数据集和超参数受控制时，可以复现与 OpenAI 原始 RLHF 代码库相同的学习曲线。此外，我们还识别了一些令人惊讶的实施细节，比如 Adam 优化器的设置，它会导致在 RLHF 训练的早期出现激进的更新。


文章转载自：HuggingFace

原文链接：https://www.cnblogs.com/huggingface/p/17836295.html

划线
评论
复制
发布于: 刚刚阅读数: 5
算法ppo算法
用户头像

EquatorCoco

关注

还未添加个人签名 2023-06-19 加入

还未添加个人简介

评论

发布
暂无评论
Copyright © 2023, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5京公网安备京公网安备 11010502039052号 | 产品资质
使用 PPO 算法进行 RLHF 的 N 步实现细节_算法_EquatorCoco_InfoQ写作社区