详解带RLHF的类ChatGPT：从TRL、ChatLLaMA到ColossalChat、DSC

您所在的位置：网站首页 › trl和tha › 详解带RLHF的类ChatGPT：从TRL、ChatLLaMA到ColossalChat、DSC

详解带RLHF的类ChatGPT：从TRL、ChatLLaMA到ColossalChat、DSC

2024-06-01 02:25| 来源: 网络整理| 查看: 265

本文为《类ChatGPT逐行代码解读》系列的第二篇，上一篇是：从零实现Transformer、ChatGLM-6B：从位置编码/缩放点积注意力/多头注意力开始

本文模型的特点是都加了RLHF，对于这4个模型而言：TRL、ChatLLaMA、ColossalChat、DeepSpeed Chat

如果只关注两个则可以更多关注下ColossalChat、DeepSpeed Chat，原因在于ColossalChat给的图示特别好，而DeepSpeed Chat的实现很清晰如果有读者说就只想看一个，则推荐DeepSpeed Chat(简称DSC)，特别是DSC会给你一个完整而通透的“PPO算法/RLHF”的代码实现全流程，好的资料可以让你事半功倍

总之，微软这个DeepSpeed Chat实现的不错，抠完它的关键代码后，你会发现和之前本博客内另一篇写的原理部分都一一对应起来了(如果你还没看过原理，建议先看此文：ChatGPT技术原理解析，只有懂原理才能更好的理解实现或实际实现，特别是该文的第三部分 )，而把论文、原理/算法、公式、代码一一对应，可以让你的理解有个质变

本文最早的标题是：从零实现带RLHF的类ChatGPT：从TRL/ChatLLaMA/ColossalChat到DeepSpeed Chat，后来因为要不断扩展DSC的内容，为避免本文越写越长，故最终分出了两篇文章

本文侧重：TRL、ChatLLaMA、ColossalChat新文侧重：从零实现带RLHF的类ChatGPT：逐行解析微软DeepSpeed Chat 第一部分 PPO算法微调LM的TRL包 1.1 TRL包：类似ChatGPT训练阶段三的PPO方式微调语言模型

通过《ChatGPT技术原理解析》一文，我们已经知道了ChatGPT的三阶段训练过程，其中，阶段三的本质其实就是通过PPO的方式去微调LM

GitHub上有个TRL(Transformer Reinforcement Learning，基于『Hugging Face开发的Transformer库』)，便是通过PPO的方式去微调LM，需要的数据便是三元组「query, response, reward」，具体如下图所示

Rollout：语言模型根据query生成response评估：怎么评估模型针对特定query生成response的质量呢，我们可以使用a function、model、human feedback或它们的某种组合进行评估，然后为每个query/response对产生一个标量值，说白了就是奖励模型有了，那就直接打分优化：在优化步骤中，「query/response pairs」用于计算序列中标记的对数概率，且比较下面这两个模型输出之间的 KL 散度用作额外的奖励信号 $\rightarrow$ 经过训练的模型(即上图中的Active model) $\rightarrow$ 基线模型(即上图中的Reference model)，通常是PPO微调之前的模型(比如这里的GPT2，或者instructGPT里的SFT) 最终，使得Active model生成的响应不会偏离基线模型Reference model太远 1.2 通过TRL包实现基于AC架构的PPO算法

PPO算法是一种具体的Actor-Critic算法实现，比如在对话机器人中，输入的prompt是state，输出的response是action，想要得到的策略就是怎么从prompt生成action能够得到最大的reward，也就是拟合人类的偏好。具体实现时，可以按如下两大步骤实现

首先定义4个模型：Actor(action_logits)、SFT(sft_logits)、Critic(value)、RM「r(x, y)」，和kl_div、reward、优势函数adv 从prompt库中采样出来的prompt在经过SFT(微调过GPT3/GPT3.5的模型称之为SFT)做generate得到一个response，这个『prompt + response』定义为sequence(这个采样的过程是批量采样进行generate，得到一个sequence buffer)，然后这个sequence buffer的内容做batched之后输入给4个模型做inference

这4个模型分别为Actor、SFT、Critic、RM，其中： Actor和SFT都是175B的模型，且Actor参数由SFT初始化(SFT是baseline)，Actor输出action_logits，SFT输出sft_logitssft_logits和action_logits做kl_div，为了约束actor模型的更新step不要偏离原始模型SFT太远 Critic和RM是6B的模型，Critic参数由RM初始化 Critic输出标量value，RM输出标量r(x, y)，由r(x, y)和kl_div计算得到reward，reward和value计算得到adv其次，通过pg_loss和value_loss优化迭代 Actor的流程是取出sequence，然后inference生成新的logits，再和sequence对应的之前的logits计算ratio，和adv计算出pg_loss，也就是actor的loss，然后反向传播，优化器迭代 Critic的流程是取出sequence，然后inference得到新的value，和old_value做clip_value，再和reward计算value loss，然后反向传播，优化器迭代

以下是计算策略损失和价值损失的关键代码(来自trl/ppo_trainer.py at main · lvwerra/trl · GitHub的第971-1032行)，且为方便大家阅读时一目了然，我特意给每一行的代码都加上了注释

def loss( self, old_logprobs: torch.FloatTensor, # 旧的对数概率，是前一步的策略输出 values: torch.FloatTensor, # 价值函数的输出 rewards: torch.FloatTensor, # 从环境中得到的奖励 logits: torch.FloatTensor, # 策略网络的原始输出（未经softmax） vpreds: torch.FloatTensor, # 价值函数的预测值 logprobs: torch.FloatTensor, # 当前策略输出的对数概率 mask: torch.LongTensor, # 用于忽略某些元素（如填充元素）的掩码 ): lastgaelam = 0 # 初始化lastgaelam，用于计算广义优势估计（GAE） advantages_reversed = [] # 初始化一个空列表，用于存储计算出的逆序优势值 gen_len = rewards.shape[-1] # 获取奖励的长度，即序列的长度 values = values * mask # 使用掩码对值进行过滤 rewards = rewards * mask # 使用掩码对奖励进行过滤 # 反向遍历时间步，计算每一步的优势值 for t in reversed(range(gen_len)): # 获取下一个状态的值 nextvalues = values[:, t + 1] if t < gen_len - 1 else 0.0 # 计算TD误差 delta = rewards[:, t] + self.config.gamma * nextvalues - values[:, t] # 更新lastgaelam lastgaelam = delta + self.config.gamma * self.config.lam * lastgaelam # 将计算出的优势值添加到列表中 advantages_reversed.append(lastgaelam) # 对逆序的优势值进行逆序，使其按照原始顺序，然后将其堆叠起来并进行转置，得到最终的优势值 advantages = torch.stack(advantages_reversed[::-1]).transpose(0, 1) # 计算回报，即优势值加上对应的value值 returns = advantages + values # 对优势值进行掩码白化，即只对掩码部分进行白化处理 advantages = masked_whiten(advantages, mask) # 从计算图中分离优势值，防止反向传播 advantages = advantages.detach() # 对预测值进行剪裁，防止预测值偏离真实值过远 vpredclipped = clip_by_value(vpreds, values - self.config.cliprange_value, values + self.config.cliprange_value) # 计算预测值与回报之间的平方损失 vf_losses1 = (vpreds - returns) ** 2 # 计算剪裁后的预测值与回报之间的平方损失 vf_losses2 = (vpredclipped - returns) ** 2 # 计算价值函数的损失，选择两种损失中的较大者，然后计算其平均值，并乘以0.5 vf_loss = 0.5 * masked_mean(torch.max(vf_losses1, vf_losses2), mask) # 计算剪裁损失比原始损失大的部分的平均值 vf_clipfrac = masked_mean(torch.gt(vf_losses2, vf_losses1).double(), mask) # 计算新旧策略的比例 ratio = torch.exp(logprobs - old_logprobs) # 计算策略梯度损失 pg_losses = -advantages * ratio # 计算剪裁后的策略梯度损失 pg_losses2 = -advantages * torch.clamp(ratio, 1.0 - self.config.cliprange, 1.0 + self.config.cliprange) # 计算策略损失，选择两种损失中的较大者，然后计算其平均值 pg_loss = masked_mean(torch.max(pg_losses, pg_losses2), mask) # 计算剪裁损失比原始损失大的部分的平均值 pg_clipfrac = masked_mean(torch.gt(pg_losses2, pg_losses).double(), mask) # 计算总损失，等于策略损失加上价值损失 loss = pg_loss + self.config.vf_coef * vf_loss

上面代码中有两点值得解释下

计算回报时，为何是优势值加上对应的value值别忘了，根据本博客中另一篇文章《RL极简入门》可知优势函数A(s,a)定义为Q(s,a) - V(s)，其中Q(s,a)是动作价值函数，表示在状态s采取动作a所能获得的预期回报而V(s)则是状态价值函数，表示在状态s下依据当前策略所能获得的预期回报

因此，当我们计算returns时，实际上是在计算Q(s,a)的估计值，即预期的动作价值所以，returns = advantages + values = (Q(s,a) - V(s)) + V(s) = Q(s,a) 这样，returns就代表了我们预期能在状态s采取动作a获得的回报

为何计算策略损失和价值损失时，要先裁剪，然后对比裁剪前后的损失，最后取两者之中更大的值呢？首先关于计算策略损失时，为何对比截断前后的值这点可以回顾下本博客内的《ChatGPT技术原理解析一文》或RL极简入门 $\begin{aligned} J_{\mathrm{PPO2}}^{\theta'}(\theta) \approx \sum_{\left(s_{t}, a_{t}\right)} \min &\left(\frac{p_{\theta}\left(a_{t} | s_{t}\right)}{p_{\theta'}\left(a_{t} | s_{t}\right)} A^{\theta'}\left(s_{t}, a_{t}\right),{clip}\left(\frac{p_{\theta}\left(a_{t} | s_{t}\right)}{p_{\theta'}\left(a_{t} | s_{t}\right)}, 1-\varepsilon, 1+\varepsilon\right) A^{\theta'}\left(s_{t}, a_{t}\right)\right) \end{aligned}$ 至于为何取更大原因在于策略损失带了个负号：pg_losses = -advantages * ratio ，原本应该是无负号取min的，但是带了负号就取max了那价值损失呢，为何也要对比裁剪前后的损失然后取两者之中的更大值呢？首先，做对价值的估计也做裁剪好理解(也是控制估计范围，防止预测值偏离真实值过远)，但为何也要对比裁剪前后然后取更大值呢(毕竟价值损失是平方损失：vf_losses1 = (vpreds - returns) ** 2，无所谓负号)？原因在于：1 有时裁剪容易把真实的价值损失偏低化，2 更大的损失利于做更多轮的迭代，当然在迭代过程中控制估计范围防止跑偏第二部分 LLaMA的RLHF版：ChatLLaMA(英文版)

由于LLaMA没有使用RLHF方法，初创公司 Nebuly AI开源了RLHF版的LLaMA，即ChatLLaMA

2.1 三套数据集：分别训练actor、reward、rlhf

其训练过程类似 ChatGPT，而通过本博客内的《ChatGPT技术原理解析》3.1节，可知训练三个模型(SFT、RM、RL/PPO)得先准备三套数据集

2.1.1 actor_training_data，即用于微调GPT3所用的数据

actor_training_data，即用于微调GPT3所用的数据，比如[ { "user_input": "here the input of the user", "completion": "here the model completion" } ] actor_training_data如何而来呢，有4项途径

使用 100% 合成数据，可以通过运行以下命令综合生成数据集：python artifacts/generate_actor_dataset.py，注：此命令需要订阅OpenAI，生成完整数据集的davinci-003成本约为 200 美元(当然也有免费的途径)使用具有辅助交互的开源数据集之一，目前支持：

Anthropic HH RLHF：这个数据集由结构化的 {question/answer pairs} 组成，包括机器人选择和拒绝的答案；Stanford Human Preferences Dataset (SHP)：这个数据集是从选定的“提问”subreddits 中挑选出来的，并且包括基于最受支持的回答的范围广泛的 {question/answer pairs} 的问题可以运行以下命令下载数据集：

python artifacts/download_dataset.py --path --number_of_samples

其中：对于 StanfordNLP/SHP 数据集，可以是“SHP”或“ARLHF”，对于 Anthropic/hh-rlhf 数据集，可以分别是“SHP”或“ARLHF”；是要创建数据集的文件夹路径；是组成 reward_dataset.json 的样本数

使用 100% 个性化数据集用户提供自己的个性化完整数据集，数据集必须是具有以下格式的 JSON 文件：[ { "user_input": "here the input of the user", "completion": "here the model completion" } ] 其中列表包含多个dictionaries，每个dictionary 对应一个数据样本，建议使用超过 1000 个数据样本来进行对actor的训练

创建完整的数据集，增加一些自定义数据样本，数据集可以从用户提供的一些提示+响应示例中综合生成（少数 => 10）

2.1.2 reward_training_data，用于训练一个奖励模型的数据

reward_training_data，用于训练一个奖励模型的数据，包含三部分的数据： i) prompts, ii) completion iii) score of the completion assigned accordingly to the user feedback (the Human Feedback in RLHF，即对各个回答的评分score) 示例如下[{ "user_input": "...", "completion": "...", "score": 1 }, ... ] 同样的，奖励数据怎么来呢？有以下三种方式

be synthetically scored using a LLM as Human Feedback LLM 模型用于为每个entry计算分数为此，LLM 需要一个提示模板，其中包含评估生成的文本的所有说明(比如奖励规则，什么情况下该奖什么情况下不奖都得十分明确)。为此，您应该将key reward添加到文件中templates.json，比如：

{

"reward": "Here is the template for the reward model. The rules are:\n\n1.Rule 1\n\n2. Rule 2" } 如果未提供模板，则使用默认模板artifacts/generate_rewards.py，注：所有模板都必须保存在一个名为 .json 的 JSON 文件中templates.json

获得unlabelled dataset后，您可以通过运行以下命令生成分数：

python artifacts/generate_rewards.py --model --temperature --max_tokens --reward_template

其中，要评分的reward dataset的路径；用于奖励的模型，默认建议使用text-davinci-003 用于对模型进行评分的temperature，temperature =0.1；，这是包含用于生成奖励的模板的文件的路径，如果未提供路径，将使用默认模版这里值得注意的是，与instructGPT中的「人类通过对模型的输出进行排序，然后利用这些排序数据去训练一个RM」不同，ChatLLaMA直接训练一个RM对模型的输出进行打分比如0-5分，且与人类的打分做MSE损失(减少RM打分与人类打分之间的差距)

REWARD_TEMPLATE = dict( template=( "You have to evaluate the following chat with a score" "between 0 and 5"

最后，可能你会问，从哪里看出来的用的MSE损失，答案是从另外一个文件里看出来的(具体是chatllama/rlhf/reward.py 文件的第282行)

class RewardTrainer: """Class to train the reward model def __init__(self, config: ConfigReward) -> None: # save the config self.config = config # load the model self.reward = RewardModel(config) # optimizer self.optimizer = torch.optim.AdamW( self.reward.parameters(), lr=config.lr ) # loss function self.loss_function = torch.nn.MSELoss() // ...

用户提供他们个性化的完整数据集(至少需要 100 个数据样本)，但数据集必须是以下格式的 JSON 文件，取名为：reward_training_data.json

[ { "user_input": "here type the user input", "completion": "here type the completion", "score": 4.0 }, { "user_input": "here type the user input", "completion": "random garbage", "score": 0.0 } ]

用户提供的少量示例和使用 LLM 综合扩展的数据集(通过self-instruct的方式提示LLM产生更多所需要的指令数据)

2.1.3 rlhf_training_data，通过RL方法不断优化迭代最优策略的数据

It can be provided in 2 different ways:

Few examples provided by the user and dataset synthetically expanded using LLM(依然可以

继续通过self-instruct的方式提示LLM产生更多所需要的指令数据) 需要将key rlhf添加到templates.json文件中，其中包含有关要执行的任务的信息以及 LLM 生成所需的额外上下文，这是模板的示例(所有模板必须保存在一个名为templates.json)：

{ "rlhf": "Here is the template for the generating RLHF prompts. The task we want to perform is ..." }

The user provides the full dataset with possible interactions with the model

数据集需要包含超过 1000 个提示示例(文件命名为rlhf_training_data.json)：

[ { "user_input": "here the example of user input" } ]

2.2 训练流程：SFT、RM、RL/PPO训练三步骤 2.2.1 RewardTrainer 类的 train 方法训练一个奖励函数

chatllama/rlhf/reward.py中

首先定义了一个名为 Reward Model 的类，作为奖励模型或批评者模型(Critic Model)。Reward Model 是一个基于语言模型的模型，附加了一个头部head，用于预测给定的 token 序列的奖励(一个标量值)，最后将CriticModel类设置为RewardModel类，以保持命名一致性

之后，定义类：RewardDatase用于训练奖励模型的数据集 RewardDataset 类是一个继承自 Dataset 的自定义数据集类，它的作用是从给定的 JSON 文件中读取数据，并将数据整理成适当的格式。JSON 文件应包含以下格式的数据：

class RewardDataset(Dataset): """Dataset class for the reward model read a json file with the following format: [ { "user_input": "...", "completion": "...", "score": ... }, ... ] Where: user_input: the initial input of the user completion: the completion generated by the model score: the score given by the user to the completion (or by the LLM) """

其中 user_input 是用户的初始输入，completion 是模型生成的补全，而 score 是用户或LLM给予补全的分数

再定义一个RewardTrainer 类用于训练奖励模型，它初始化奖励模型、优化器、损失函数(具体如上文所说，或如282行所述的MSE损失函数)、数据集和数据加载器等。此外，它还支持使用 DeepSpeed 或 Accelerate（两种高性能深度学习训练框架）进行训练 RewardTrainer 类的主要方法有： train：训练奖励模型。它执行训练循环，包括前向传播、计算损失、反向传播和优化器更新。在每个周期结束时，它还可以对模型进行验证（如果提供了验证数据集的话）

首先是初始化 # 定义构造函数 def __init__(self, config: ConfigReward) -> None: # 保存配置对象 self.config = config # 加载模型 self.reward = RewardModel(config) # 创建优化器 self.optimizer = torch.optim.AdamW( self.reward.parameters(), lr=config.lr ) # 定义损失函数，用的交叉熵损失 self.loss_function = torch.nn.MSELoss() # 检查验证数据集是否存在 self.validation_flag = False if config.validation_dataset_path is not None: self.validation_flag = True # 创建数据集和数据加载器 self.train_dataset = RewardDataset(config.train_dataset_path) self.train_dataloader = DataLoader( self.train_dataset, batch_size=config.batch_size ) # 如果有验证数据集，则创建验证数据集和数据加载器 if self.validation_flag: self.eval_dataset = RewardDataset(config.validation_dataset_path) self.validation_dataloader = DataLoader( self.eval_dataset, batch_size=config.batch_size ) # 初始化学习率调度器 - 学习率将下降到初始值的10% self.scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts( self.optimizer, T_0=len(self.train_dataset) // config.batch_size, T_mult=1, eta_min=config.lr * 0.1, last_epoch=-1, ) save_checkpoint：保存模型的检查点。在训练过程中，可以定期将模型的当前状态（包括模型参数、优化器状态和训练统计信息）保存为检查点，以便在需要时恢复训练load_checkpoint：从检查点恢复模型。如果在训练过程中找到检查点文件，则该方法将从检查点恢复模型状态，并返回从何处恢复训练的周期和步骤接下来，是具体的训练过程 def train( self, ) -> None: # 训练奖励模型 # # 打印开始训练奖励模型的消息 print("Start Training the Reward Model") # 如果启用了 DeepSpeed，从训练数据加载器获取批次大小 if self.config.deepspeed_enable: batch_size = self.train_dataloader.batch_size else: batch_size = self.config.batch_size # 从配置获取批次大小 epochs = self.config.epochs # 从配置获取训练轮次 device = self.config.device # 从配置获取设备 # 从配置获取每次打印的迭代次数 iteration_per_print = self.config.iteration_per_print # 从配置获取检查点步骤 checkpoint_steps = self.config.checkpoint_steps # 计算训练数据集的迭代次数 n_iter = int(len(self.train_dataset) / batch_size) # 加载检查点并获取开始轮次和开始步骤 start_epoch, start_step = self.load_checkpoint() # 初始化检查点计数器 cnt_checkpoints = 1 # 训练循环 for epoch in range(start_epoch, epochs): # 对于每个轮次 self.reward.train() # 将奖励模型设置为训练模式 # 遍历训练数据加载器中的每个输入 for i,inputs in enumerate(self.train_dataloader): # 如果从检查点恢复，则跳过步骤 if i < start_step: continue # 获取输入 input_text = inputs[0] # 获取输入文本 score = inputs[1] # 获取分数 # 对输入进行分词 with torch.no_grad(): # 禁用梯度计算 input_tokens = self.reward.tokenizer( input_text, return_tensors="pt", truncation=True, padding=True, ) output = torch.as_tensor( score, dtype=torch.float32, device=device ) # 将分数转换为张量 # 前向传播 if self.config.deepspeed_enable: # 如果启用了 DeepSpeed est_output = self.model_engine( input_tokens["input_ids"].to(device), input_tokens["attention_mask"].to(device), )[:, -1] # 使用模型引擎进行前向传播 else: est_output = self.reward.get_reward( input_tokens["input_ids"].to(device), input_tokens["attention_mask"].to(device), ) # 使用奖励模型进行前向传播 # 计算损失函数 loss = self.loss_function(est_output, output) # 将损失添加到训练统计数据中 self.training_stats.training_loss.append(loss.item()) # 反向传播 if self.config.deepspeed_enable: # 如果启用了 DeepSpeed self.model_engine.backward(loss) # 使用模型引擎进行反向传播 self.model_engine.step() # 更新模型参数 elif self.config.accelerate_enable: # 如果启用了加速 self.optimizer.zero_grad() # 将优化器的梯度归零 self.accelerator.backward(loss) # 使用加速器进行反向传播 self.optimizer.step() # 更新模型参数 self.scheduler.step() # 更新学习率调度器 else: self.optimizer.zero_grad() # 将优化器的梯度归零 loss.backward() # 进行反向传播 self.optimizer.step() # 更新模型参数 self.scheduler.step() # 更新学习率调度器 # 打印进度，如果当前迭代次数是打印间隔的整数倍 if i % iteration_per_print == 0: print( f"Epoch: {epoch+1}/{epochs}, " f"Iteration: {i+1}/{n_iter}, " f"Training Loss: {loss.item()}" ) printed_est_output = [ round(float(x), 1) for x in est_output.cpu().tolist() ] # 对估计输出进行四舍五入 print( "prediction", printed_est_output, "target", score.cpu().tolist(), ) # 打印预测值和目标值 # 保存检查点，如果检查点计数器是检查点步骤的整数倍 if cnt_checkpoints % checkpoint_steps == 0: self.save_checkpoint(epoch, i, epochs, n_iter) # 保存检查点 cnt_checkpoints = 1 # 重置检查点计数器 else: cnt_checkpoints += 1 # 检查点计数器加一 # 验证 if self.validation_flag: # 如果启用了验证 self.reward.eval() # 将奖励模型设置为评估模式 with torch.no_grad(): # 禁用梯度计算 for i, (text, score) in enumerate( self.validation_dataloader ): # 遍历验证数据加载器中的每个输入 # 对输入进行分词 input_tokens = self.reward.tokenizer( text, return_tensors="pt", padding=True ) # 对输入文本进行分词 input_tokens = input_tokens.to(device) # 将输入令牌移动到设备上 # TODO: 检查输入令牌的长度，如果过长可能会导致问题 output = torch.tensor(score, dtype=torch.float32).to( device ) # 将分数转换为张量并移动到设备上 # 前向传播 est_output = self.reward.get_reward( input_tokens["input_ids"], input_tokens["attention_mask"], ) # 使用奖励模型进行前向传播 # 计算损失函数 loss = self.loss_function(est_output, output) # 将损失添加到训练统计数据中 self.training_stats.validation_loss.append(loss.item()) # 打印进度，如果当前迭代次数是打印间隔的整数倍 if i % iteration_per_print == 0: print( f"Epoch: {epoch+1}/{epochs}, " f"Iteration: {i+1}/{n_iter}, " f"Validation Loss: {loss.item()}" ) # 打印验证进度 # 在恢复训练后重置 start_step start_step = 0 # 训练结束后保存模型 self.reward.save() # 保存奖励模型

总之，在 RewardTrainer 类的 train 方法中首先会尝试从检查点恢复模型（如果有的话）；然后，它会遍历数据加载器中的所有输入，对每个输入执行前向传播、计算损失、反向传播和优化器更新；在每个周期结束时，如果提供了验证数据集，还会对模型进行验证；最后，在训练完成后，将保存模型

2.2.2 通过chatllama/rlhf/actor.py再训练一个actor

此外，项目通过chatllama/rlhf/actor.py再训练一个actor，比如通过train方法训练一个基于transformer的模型，它包括了数据处理、模型训练、验证和模型保存等操作

定义train方法，它没有返回值。打印训练开始信息。获取配置参数，包括批量大小、训练轮数、设备和检查点步数。计算迭代次数。加载模型检查点并获取开始的轮数和步数。如果从头开始训练，清空训练统计。初始化检查点计数器。定义训练循环，其中包括：设置模型为训练模式。遍历训练数据加载器。如果恢复训练，跳过已经完成的步数。对输入文本进行标记化处理。将输入文本分割成tokens和mask。添加结束符（EOS）。将输入文本分割成输入和输出。将输入文本移至设备。执行前向传播。计算损失。执行反向传播和优化。打印训练进度。定期保存检查点和训练统计。进行验证（如果启用验证的话）：设置模型为评估模式。使用torch.no_grad()禁用梯度计算。遍历验证数据加载器。对输入文本进行标记化处理。将输入文本分割成验证输入和输出。执行前向传播。计算损失。更新验证损失统计。打印验证进度。在恢复训练后，将start_step重置为0。训练完成后，保存模型。打印训练结束信息 2.2.3 通过PPO算法优化强化学习任务中的策略(actor)和价值(critic)网络

有了奖励函数和actor，便可以通过PPO算法优化强化学习任务中的策略(actor)和价值(critic)网络，具体如下图，设置内外两个循环

外层循环迭代训练轮次(epochs)内层循环遍历数据加载器(dataloader)中的批次(batches)，在每次迭代中，它会处理一批数据，包括状态、动作、价值等，这些数据用于训练智能体-评论家模型

在内层循环中依次做如下处理(以下代码来源于：chatllama/chatllama/rlhf/trainer.py )：

首先是导入必须的库和模块，当然，主要是ActorCritic类

导入所需的库和模块。change_tokenization函数：用于在两个不同的分词器之间转换给定的tokens。check_model_family函数：检查两个配置是否属于相同的模型家族。ActorCritic类：包含了actor和critic模型，并用于在训练actor过程中为给定的序列生成动作和值。它包括以下方法： __init__：初始化actor和critic模型 def __init__(self, config: Config) -> None: super().__init__() self.config = config self.actor = ActorModel(config.actor) # check if critic must be initialized from reward model ModelLoader.init_critic_from_reward(config.critic) self.critic = CriticModel(config.critic) # if the actor and critic use the same tokenizer is set to True self.use_same_tokenizer = False # debug flag self.debug = config.actor. load：加载模型，但未实现。save：将模型保存到路径。forward：基于给定的整个序列，使用actor的forward方法获取序列中每个token的logits，并使用critic的forward方法获取每个生成步骤的值。

这个代码主要用于强化学习训练自然语言生成模型。ActorCritic类是其中的核心部分，它包含了actor和critic模型。这两个模型在训练过程中相互协作，用于生成动作和值。

其次，主要是关于一个用于生成动作、动作逻辑、价值和序列的生成函数，以及用于存储训练数据和生成训练示例的类

首先定义了一个名为generate的函数，它使用了@torch.no_grad()和@beartype修饰器。这个函数接收四个参数，分别是states_actor、states_mask_actor和states_critic，并返回一个元组这个函数的主要目的是从输入状态生成动作、动作逻辑、价值和序列。它首先从actor模型生成动作序列，然后创建一个用于actor序列的mask。接下来，它检查是否需要为critic使用不同的编码。如果需要，它将使用change_tokenization函数来更改序列的编码。接着，它生成动作逻辑和价值。如果处于调试模式，将打印一些调试信息。接下来，代码定义了一个名为Memory的namedtuple，用于存储每个经验的数据。Memory包含了11个字段，如states_actor、actions、values等。然后定义了一个名为ExperienceDataset的类，它继承自torch.utils.data.Dataset。这个类用于训练actor-critic模型。它接收一个memories参数和一个device参数。memories参数是一个包含Memory实例的双端队列。device参数表示要在哪个设备上进行计算。这个类实现了__len__和__getitem__方法，使其可以像普通的PyTorch数据集一样使用。最后，定义了一个名为ExamplesSampler的类，用于从JSON文件中读取示例并在需要时抽样。这个类接收一个表示文件路径的path参数。在初始化时，它从文件中读取数据，并将其存储在self.data中。它还实现了一个名为sample的方法，用于从数据中抽取指定数量的示例。

再之后，定义了一个名为 RLTrainer 的类，用于使用强化学习训练一个Actor-Critic模型。该类具有多个属性和方法，用于训练过程中的各种操作。

在 __init__ 方法中，初始化了训练器的各个组件，包括Actor-Critic模型、actor和critic优化器、reward模型、用于存储训练统计数据和对话记录的类、以及示例采样器save_checkpoint 方法保存了当前状态的Actor-Critic模型的检查点，包括当前的训练轮数、actor和critic模型的状态字典，以及它们各自的优化器的状态字典。load_checkpoint 方法加载了Actor-Critic模型的检查点，包括训练轮数、actor和critic模型的状态字典，以及它们各自的优化器的状态字典。如果没有找到检查点，则返回轮数0。如果actor和critic的检查点存在差异，则从两者中最小的轮数开始训练。

再之后，调用 learn 方法更新actor和critic模型，并保存训练统计数据和对话记录

使用智能体-评论家模型计算新的动作概率和价值 # get actor critic new probabilities and values actions_logits, values = self.actorcritic.forward( sequences_actor, sequences_mask_actor, sequences_critic, sequences_mask_critic, action_len_actor.item(), action_len_critic.item(), ) 计算动作的对数概率、熵和KL散度损失 # get action log prob actions_prob = ( torch.softmax(actions_logits, dim=-1).max(dim=-1).values ) actions_log_prob = torch.log(actions_prob + self.eps) # compute entropy，一般表示为-sum「p(x)logp(x)」 entropies = (actions_prob * actions_log_prob).sum(dim=-1) # compute KL divergence，一般表示为：-sum「p(x)log q(x)/p(x)」 kl_div_loss = ( (actions_prob * (old_actions_log_probs - actions_log_prob)) .sum(dim=-1) .mean() ) 计算重要性权重比率(ratios)，即新旧策略的概率比 # compute ratios ratios = (actions_log_prob - old_actions_log_probs).exp() 计算PPO损失，包括优势函数的计算和PPO-clip算法的应用首先我们回顾下强化学习极简入门一文里对『近端策略优化裁剪PPO-clip』的阐述

$\begin{aligned} J_{\mathrm{PPO2}}^{\theta'}(\theta) \approx \sum_{\left(s_{t}, a_{t}\right)} \min &\left(\frac{p_{\theta}\left(a_{t} | s_{t}\right)}{p_{\theta'}\left(a_{t} | s_{t}\right)} A^{\theta'}\left(s_{t}, a_{t}\right),{clip}\left(\frac{p_{\theta}\left(a_{t} | s_{t}\right)}{p_{\theta'}\left(a_{t} | s_{t}\right)}, 1-\varepsilon, 1+\varepsilon\right) A^{\theta'}\left(s_{t}, a_{t}\right)\right) \end{aligned}$

简单实现的话，即是 # ratios即为重要性权重，exp代表求期望，括号里的environment_log_probs代表用于与环境交互的策略 ratios = torch.exp(log_probs - environment_log_probs) # 分别用sur_1、sur_2来计算公式的两部分 # 第一部分是重要性权重乘以优势函数 sur_1 = ratios * advs # 第二部分是具体的裁剪过程 sur_2 = torch.clamp(ratios, 1 - clip_eps, 1 + clip_eps) * advs # 最终看谁更小则取谁 clip_loss = -torch.min(sur_1,sur_2).mean() 更具体的实现，则可以如下所示 # 计算PPO总损失 if check_model_family(self.config.actor, self.config.critic): # 计算 TRL 中的折扣回报 gamma = self.config.trainer.gamma_discounted # 初始化折扣回报矩阵 discounted_rewards = torch.zeros_like(old_values) # 遍历每个时间步 for i in range(discounted_rewards.shape[1]): for j in range(i, discounted_rewards.shape[1]): # 计算折扣回报 discounted_rewards[:, i] += ( gamma ** (j - i) * rewards[:, j] ) # 计算优势值，与TRL 中旧值的符号相反 advantages = ( discounted_rewards - old_values ) # normalize advantages advantages = (advantages - advantages.mean(dim=-1)) / ( advantages.std() + self.eps ) surr1 = advantages * ratios else: advantages = rewards - old_values[:, -1] surr1 = advantages * ratios surr2 = ( torch.clamp(ratios, 1 - actor_eps_clip, 1 + actor_eps_clip) * advantages ) 计算策略损失和总损失 policy_loss = -torch.min(surr1, surr2) - beta_s * entropies policy_loss = policy_loss.mean() loss = policy_loss + kl_div_loss 可能有读者看到这里看迷糊了，即咋出来两个损失函数了，看起来是一个策略损失，一个KL散度损失，与我们在本博客里的另一篇文章《ChatGPT技术原理解析》中「3.1.3 InstructGPT训练阶段3：如何通过PPO算法进一步优化模型的策略」探讨的结果咋不太一样呢？

$\begin{aligned} objective(\phi ) &= E_{(x,y)\sim D_{\pi _{\phi }^{RL}}} [r_\theta (x,y) - \beta log(\pi _{\phi }^{RL}(y|x) / \pi ^{SFT}(y|x) )] + \gamma E_{x\sim D_{pretrain}} [log(\pi _{\phi }^{RL})] \\&= E_{(x,y)\sim D_{\pi _{ }^{RL'}}} \left [ \frac{\pi _{\phi }^{RL}(y|x)}{\pi ^{RL'}(y|x)}r_{\theta'}(x,y) - \beta log(\pi^{RL'}(y|x) / \pi ^{SFT}(y|x) ) \right ] + \gamma E_{x\sim D_{pretrain}} [log(\pi _{\phi }^{RL})] \\&= E_{(x,y)\sim D_{\pi _{ }^{RL'}}} \left [ \min \left(\frac{\pi_{\phi }^{RL}(y|x)}{\pi ^{RL'}(y|x)} r_{\theta'}(x,y),{clip}\left(\frac{\pi_{\phi }^{RL}(y|x)}{\pi ^{RL'}(y|x)}, 1-\varepsilon, 1+\varepsilon\right) r_{\theta'}(x,y)\right) - \beta log(\pi^{RL'}(y|x) / \pi ^{SFT}(y|x) ) \right ]+ \gamma E_{x\sim D_{pretrain}} [log(\pi _{\phi }^{RL})] \end{aligned}$

不急，我们先来分析下这两个损失函数 $\rightarrow$ 一个 policy loss，本质是一个目标函数(具体用的近端策略优化裁剪PPO-clip与熵 $H(\pi) = -\sum p_{\theta} \log p_{\theta}$ 的差值)

$L^{PPO}(\theta ) = \hat{E_t} [min \left ( r_t(\theta )\hat{A_t}, clip(r_t(\theta ),1-\epsilon ,1+\epsilon)\hat{A_t} \right )] - \beta_s[- \sum p_{\theta} logp_{\theta} ]$

其中， $\hat{\mathbb{E}}t$ 表示在当前策略下采样得到的经验的无偏估计， $r_t(\theta) = \frac{p_{\theta}(a_t|s_t)}{p_{\theta_{\text{old}}}(a_t|s_t)}$ 是策略比率， $\hat{A}_t$ 是优势函数， $\epsilon$ 是超参数，用于控制策略更新的幅度， $\beta$ 是熵的系数当然在instructGPT的原理中并没有这个熵 # compute entropy，一般表示为-sum「p(x)logp(x)」 entropies = (actions_prob * actions_log_prob).sum(dim=-1) $\rightarrow$ 另一个 KL散度损失(kl_div_loss)，还是用于限制新策略与旧策略之间的差异，以免更新太快，导致学习不稳定 # compute KL divergence，一般表示为：-sum「p(x)log q(x)/p(x)」 kl_div_loss = ( (actions_prob * (old_actions_log_probs - actions_log_prob)) .sum(dim=-1) .mean() )

对应的公式为

$L^{KL}(\theta ) = \hat{E_t} \left [ KL(p_{\theta_{old}}(a_t|s_t),p_{\theta}(a_t|s_t) ) \right ]$

值得一提的是，这里确实容易引发疑惑，毕竟上面的policy loss已经对新旧策略的比值 ratios = (actions_log_prob - old_actions_log_probs).exp() 做了截断处理，而这里又加一个对新旧策略差值的KL散度约束，未免有多此一举之嫌，比如在instructGPT的原理中便只有两者其一：关于策略梯度的损失就一个policy loss

最终，总的损失函数为：

$L(\theta ) = L^{PPO}(\theta ) + \alpha L^{KL}(\theta )$

其中， $\alpha$ 是超参数，用于控制 KL 散度损失的权重

如果损失值为NaN，抛出异常 # check if loss item is NaN if torch.isnan(loss): raise ValueError("Loss is nan") 更新策略，包括使用DeepSpeed或Accelerate库进行优化 # 按照损失更新 actor 模型参数 # 使用 DeepSpeed 的 engine 对 loss 进行反向传播 if self.config.actor.deepspeed_enable: actor_model_engine.backward(loss) actor_model_engine.step() # 如果启用了 PyTorch 的 Accelerate elif self.config.actor.accelerate_enable: # 将 actor 模型参数的梯度清零 self.actor_optimizer.zero_grad() # 使用 Accelerate 对 loss 进行反向传播 actor_accelerator.backward(loss) # 使用 PyTorch 的优化器更新 actor 模型参数 self.actor_optimizer.step() # 使用 PyTorch 的学习率调度器更新学习率 self.actor_scheduler.step() else: self.actor_optimizer.zero_grad() # 对 loss 进行反向传播 loss.backward() self.actor_optimizer.step() self.actor_scheduler.step() 计算价值损失 # compute value loss # 裁剪限制了值损失剪辑的变化速率 # 使得value相比old_value的更新范围限制在[-critic_eps_clip, critic_eps_clip]之内，否则就截断 # 说白了，截断的作用就是：最大不能大过critic_eps_clip，最小不能小过-critic_eps_clip value_loss_clipped = old_values + (values - old_values).clamp( -critic_eps_clip, critic_eps_clip ) # 计算第一种值损失，即裁剪后的值与奖励之间的平方差 value_loss1 = (value_loss_clipped - rewards) ** 2 # 计算第二种值损失，即未裁剪的值与奖励之间的平方差 value_loss2 = (values - rewards) ** 2 # 选择两种值损失中较大的那个，并计算其均值 value_loss = torch.max(value_loss1, value_loss2).mean() 本文发布后，有读者留言对这块表达疑惑，即怎么是先计算裁剪的损失，然后对比未裁剪的损失，然后两种损失中取更大呢，原因和上文第六部分最后解释的一样，便不再重复了如果价值损失为NaN，抛出异常 if torch.isnan(value_loss): raise ValueError("Value loss is nan") 更新评论家，包括使用DeepSpeed或Accelerate库进行优化 # upate critic if self.config.critic.deepspeed_enable: critic_model_engine.backward(value_loss) critic_model_engine.step() elif self.config.critic.accelerate_enable: self.critic_optimizer.zero_grad() critic_accelerator.backward(loss) self.critic_optimizer.step() self.critic_scheduler.step() else: self.critic_optimizer.zero_grad() value_loss.backward() self.critic_optimizer.step() self.critic_scheduler.step() 将损失值追加到训练统计信息中 # 将训练损失值添加到训练统计信息中 self.training_stats.training_loss.append( # 将损失值从计算图中分离，移动到 CPU 上，并转换为 Python 数值类型 loss.detach().cpu().item() ) # 将价值损失值添加到训练统计信息中 self.training_stats.value_loss.append( # 将价值损失值从计算图中分离，移动到 CPU 上，并转换为 Python 数值类型 value_loss.detach().cpu().item() ) 输出迭代信息 # print iteration info print( f"Epoch {epoch+1}/{epochs}", f"Step {k+1}/{int(len(dataloader) / batch_size)}", f"Loss {loss.detach().cpu().item():.4f}", f"Value Loss {value_loss.detach().cpu().item():.4f}", ) 训练循环结束后，将智能体-评论家模型设为评估模式并输出训练结束信息 self.actorcritic.eval() print("End Learning")

最后的最后，定义了一个 train() 方法，使用 actor-critic 算法训练强化学习模型。方法首先初始化各种设置，如训练的总 episode 数量、每个 episode 的最大步数、批次大小和训练设备等。然后检查要用于学习的记忆数量是否是批次大小的倍数，以及总步数是否是更新步数的倍数。

该方法初始化记忆，加载检查点（如果有的话），如果是从头开始的新训练，则清除会话记录。然后循环遍历 episode 和 timestep，从示例数据集中抽取样本，为 actor 和 critic 进行分词，生成动作和值的序列，计算动作日志概率，计算奖励。存储每个 episode/timestep 的记忆，并将完成（解码后的动作）记录在会话日志中。

在一定数量的 timestep 后，使用记忆进行学习，并计算平均奖励。该过程重复进行，直到训练完成。该方法在训练结束时保存模型和会话日志。

第三部分 ColossalChat：通过self-instruct技术指令微调LLaMA且加上RLHF 3.1 技术架构：通过self-instruct生成的中英双语数据集 + 三阶段训练方式

据介绍(介绍页面，该页面的翻译之一，代码地址)，Colossal-AI 开源了基于 LLaMA-7B 模型的包含完整 RLHF 流程的类 Chat 模型复现方案 ColossalChat

3.1.1 针对社交平台的种子数据且利用self-instruct 技术生成中英双语数据集

ColossalChat 收集并清洗了社交平台上人们的真实提问场景作为种子数据集，然后利用 self-instruct 技术扩充数据(通过prompt OpenAI API，花费约 900 美元进行标注)，最终生成了10.4万条问答的中、英双语数据集(这是数据的开源地址) 他们的说法是，对比其他 self-instruct 方法生成的数据集，该数据集的种子数据更加真实、丰富，生成的数据集涵盖的话题更多，该数据可以同时用于微调和 RLHF 训练，通过高质量的数据，ColossalChat 能进行更好地对话交互，同时支持中文

3.1.2 ColossalChat训练方式：类似instructGPT/ChatGPT的训练三步骤

关于训练方式：类似instructGPT/ChatGPT的训练三步骤(如果忘了，务必复习下此文的3.1节)

Stage1 是supervised-fintuning，即使用上文提到的数据集进行监督微调Stage2 训练一个奖励模型(初始化为阶段1的SFT模型)，它通过模型对于同一个 prompt 的不同输出进行人工排序，根据排序结果监督训练出一个奖励模型Stage3 是通过阶段2训练出来的奖励函数微调出一个RL模型，微调过程中通过PPO算法限制RL模型的参数更新范围(以阶段1的SFT模型的策略为参考基准，PPO算法避免与基线模型SFT的策略偏离过远)

具体而言，为两个阶段进行：

如上图底部，首先是 Make Experience 部分，利用 SFT 、Actor、RM、Critic模型计算生成 Experience 存入 buffer 中；

之后是参数更新部分，利用 Experience 计算价值损失(value loss)和策略损失(policy loss)，具体说明在此文的4.4.3节有介绍

如上图顶部即是PTX 部分(上面的目标函数 $objective(\phi)$ 中加在最后的偏置项) ColossalChat 计算 Actor 的现有输出response 和预训练语料的回答部分的交叉熵损失函数(calculates the cross-entropy loss between the Actor’s output response and the response part of the input corpus) 用来在 PPO 梯度中加入预训练梯度(add pre-training gradients to the PPO gradient) 以保持语言模型比如GPT2原有的核心性能(maintain the language model’s original performance and prevent forgetting)，防止忘了最早从哪里出发的(GPT2 $\rightarrow$ SFT $\rightarrow$ RM $\rightarrow$ RLHF)最后将策略损失、价值损失和 PTX 损失加和(the policy loss, value loss, and PTX loss are summed up)，进行反向传播和参数更新 3.2 代码实现：SFT模型 + 奖励模型 + PPO training

先看下整体的代码架构图

接下来，我们看下一些关键实现

3.2.1 首先，训练一个SFT模型

首先通过ColossalAI/applications/Chat/coati/trainer/sft.py，训练一个SFT模型

import math # 导入Python的数学库 import time # 导入Python的时间库 from abc import ABC # 从Python的抽象基类库中导入ABC基类 from typing import Optional # 导入Python类型注解库中的Optional, 表示某个类型值可能为空 import loralib as lora # 导入一个名为loralib的库并重命名为lora import torch # 导入PyTorch库 import torch.distributed as dist # 导入PyTorch分布式计算库 import wandb # 导入Weights & Biases库，一般用于实验跟踪和版本控制 from coati.models.loss import GPTLMLoss # 导入coati库中的GPTLMLoss模型 from torch import nn # 导入PyTorch的神经网络库 from torch.optim import Adam, Optimizer # 导入PyTorch优化器库中的Adam和Optimizer类 from torch.optim.lr_scheduler import LambdaLR # 导入PyTorch优化器库中的LambdaLR类，一般用于动态调整学习率 from torch.utils.data import DataLoader # 导入PyTorch数据处理库中的DataLoader类，用于加载数据 from torch.utils.data.distributed import DistributedSampler # 导入PyTorch分布式计算库中的DistributedSampler类，用于在分布式训练中采样数据 from tqdm import tqdm # 导入进度条库tqdm from transformers.tokenization_utils_base import PreTrainedTokenizerBase # 导入transformers库中的PreTrainedTokenizerBase类，用于处理预训练模型的令牌化 from transformers.trainer import get_scheduler # 导入transformers库中的get_scheduler函数，用于获取学习率调整策略 from colossalai.logging import get_dist_logger # 导入colossalai库中的分布式日志记录函数get_dist_logger from .strategies import Strategy # 导入当前目录下strategies文件中的Strategy类 from .utils import is_rank_0 # 导入当前目录下utils文件中的is_rank_0函数，用于检查当前进程是否为主进程 # 下面是定义一个名为SFTTrainer的类，该类继承自abc库的ABC抽象基类 class SFTTrainer(ABC): """ Trainer to use while training reward model. Args: model (torch.nn.Module): the model to train strategy (Strategy): the strategy to use for training optim(Optimizer): the optimizer to use for training train_dataloader: the dataloader to use for training eval_dataloader: the dataloader to use for evaluation batch_size (int, defaults to 1): the batch size while training max_epochs (int, defaults to 2): the number of epochs to train optim_kwargs (dict, defaults to {'lr':1e-4}): the kwargs to use while initializing optimizer """ # 下面是初始化函数，初始化SFTTrainer类的实例 def __init__( self, model, # 输入参数model，即将训练的模型 strategy: Strategy, # 输入参数strategy，即训练的策略 optim: Optimizer, # 输入参数optim，即训练的优化器 train_dataloader: DataLoader, # 输入参数train_dataloader，即训练的数据加载器 eval_dataloader: DataLoader = None, # 输入参数eval_dataloader，即评估的数据加载器，默认为None batch_size: int = 1, # 输入参数batch_size，即每批训练的样本数量，默认为1 max_epochs: int = 2, # 输入参数max_epochs，即训练的最大轮数，默认为2 accimulation_steps: int = 8, # 输入参数accimulation_steps，即梯度积累的步数，默认为8 ) -> None: # 初始化函数的返回值类型为None super().__init__() # 调用父类的初始化函数 self.strategy = strategy # 将输入参数strategy赋值给实例变量self.strategy self.epochs = max_epochs # 将输入参数max_epochs赋值给实例变量self.epochs self.train_dataloader = train_dataloader # 将输入参数train_dataloader赋值给实例变量self.train_dataloader self.eval_dataloader = eval_dataloader # 将输入参数eval_dataloader赋值给实例变量self.eval_dataloader # 调用策略的setup_model方法对模型进行设置，并将返回的模型赋值给实例变量self.model self.model = strategy.setup_model(model) if "DDP" in str(self.strategy): # 如果策略的字符串表示中包含"DDP" self.model = self.model.module # 将模型的module属性赋值给实例变量self.model # 调用策略的setup_optimizer方法对优化器进行设置，并将返回的优化器赋值给实例变量self.optimizer self.optimizer = strategy.setup_optimizer(optim, self.model) self.accimulation_steps = accimulation_steps # 将输入参数accimulation_steps赋值给实例变量self.accimulation_steps num_update_steps_per_epoch = len(train_dataloader) // self.accimulation_steps # 计算每个训练轮次的更新步数 max_steps = math.ceil(self.epochs * num_update_steps_per_epoch) # 计算最大更新步数 # 获取学习率调度器，并赋值给实例变量self.scheduler self.scheduler = get_scheduler("cosine", # 学习率调度策略为"cosine" self.optimizer, # 优化器为实例变量self.optimizer num_warmup_steps=math.ceil(max_steps * 0.03), # 预热步数为最大更新步数的3% num_training_steps=max_steps) # 训练步数为最大更新步数 # 下面是SFTTrainer类的fit方法，用于训练模型 def fit(self, logger, log_interval=10): # 输入参数为logger，即日志记录器，以及log_interval，即日志记录间隔，默认为10 # 初始化Weights & Biases的实验，并设置项目名为"Coati"，实验名为当前时间 wandb.init(project="Coati", name=time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())) wandb.watch(self.model) # 开始监视实例变量self.model total_loss = 0 # 定义变量total_loss并初始化为0，用于记录总损失 # 定义一个进度条，长度为训练轮次数，描述信息为'Epochs'，如果当前进程不是主进程则禁用进度条 # epoch_bar = tqdm(range(self.epochs), desc='Epochs', disable=not is_rank_0()) # 定义一个进度条，长度为训练步数，描述信息为'steps'，如果当前进程不是主进程则禁用进度条 step_bar = tqdm(range(len(self.train_dataloader) // self.accimulation_steps * self.epochs), desc=f'steps', disable=not is_rank_0()) for epoch in range(self.epochs): # 遍历每一个训练轮次 # 定义一个进度条，长度为训练样本数，描述信息为'Train process for{epoch}'，如果当前进程不是主进程则禁用进度条 # process_bar = tqdm(range(len(self.train_dataloader)), desc=f'Train process for{epoch}', disable=not is_rank_0()) # 训练模式 self.model.train() for batch_id, batch in enumerate(self.train_dataloader): # 遍历每一个训练样本 # 将样本中的"input_ids"字段送到当前设备上，并赋值给变量prompt_ids prompt_ids = batch["input_ids"].to(torch.cuda.current_device()) # 将样本中的"attention_mask"字段送到当前设备上，并赋值给变量p_mask p_mask = batch["attention_mask"].to(torch.cuda.current_device()) # 将样本中的"labels"字段送到当前设备上，并赋值给变量labels labels = batch["labels"].to(torch.cuda.current_device()) # prompt_ids = prompt_ids.squeeze(1).cuda() # p_mask = p_mask.squeeze(1).cuda() # prompt_logits = self.model(prompt_ids, attention_mask=p_mask, labels=labels) # 对模型进行前向传播，并将返回的结果赋值给变量outputs outputs = self.model(prompt_ids, attention_mask=p_mask, labels=labels) loss = outputs.loss # 获取outputs中的loss属性，并赋值给变量loss prompt_logits = outputs.logits # 获取outputs中的logits属性，并赋值给变量prompt_logits if loss >= 2.5: # 如果loss大于或等于2.5 logger.warning(f"batch_id:{batch_id}, abnormal loss: {loss}") # 在日志中记录警告信息 loss = loss / self.accimulation_steps # 将loss除以梯度积累步数 total_loss += loss.item() # 将loss加入到total_loss中 loss.backward() # 对loss进行反向传播 if (batch_id + 1) % self.accimulation_steps == 0: # 如果当前批次是梯度积累步数的整数倍 self.optimizer.step() # 对优化器执行一步优化 self.optimizer.zero_grad() # 清空优化器的梯度 self.scheduler.step() # 对学习率调度器执行一步调度 if is_rank_0(): # 如果当前进程是主进程 wandb.log({"train_loss": total_loss / self.accimulation_steps}) # 在Weights & Biases中记录训练损失 total_loss = 0 # 将total_loss重置为0 step_bar.update(1) # 更新步骤进度条 # process_bar.update(1) # 更新训练进度条 if (batch_id + 1) % (self.accimulation_steps * log_interval) == 0: # 如果当前批次是日志记录间隔的整数倍 self.evaluate(epoch, logger, log_interval) # 进行一次评估 if self.eval_dataloader: # 如果存在评估数据加载器 self.evaluate(epoch, logger) # 进行一次评估 if is_rank_0(): # 如果当前进程是主进程 torch.save(self.model.state_dict(), f"coati_checkpoints/epoch_{epoch}.pth") # 保存模型的状态字典 wandb.save(f"coati_checkpoints/epoch_{epoch}.pth") # 在Weights & Biases中保存模型的状态字典 # epoch_bar.update(1) # 更新轮次进度条 wandb.finish() # 结束Weights & Biases的实验 # 下面是SFTTrainer类的evaluate方法，用于评估模型 def evaluate(self, epoch, logger, log_interval=10): # 输入参数为epoch，即轮次，logger，即日志记录器，以及log_interval，即日志记录间隔，默认为10 # 打印一条日志信息，内容为"Start evaluation process..." logger.info("Start evaluation process...") self.model.eval() # 将模型切换到评估模式 total_loss = 0 # 定义变量total_loss并初始化为0，用于记录总损失 # 定义一个进度条，长度为评估样本数，描述信息为'Eval process'，如果当前进程不是主进程则禁用进度条 # process_bar = tqdm(range(len(self.eval_dataloader)), desc='Eval process', disable=not is_rank_0()) with torch.no_grad(): # 禁止计算梯度 for batch_id, batch in enumerate(self.eval_dataloader): # 遍历每一个评估样本 # 将样本中的"input_ids"字段送到当前设备上，并赋值给变量prompt_ids prompt_ids = batch["input_ids"].to(torch.cuda.current_device()) # 将样本中的"attention_mask"字段送到当前设备上，并赋值给变量p_mask p_mask = batch["attention_mask"].to(torch.cuda.current_device()) # 将样本中的"labels"字段送到当前设备上，并赋值给变量labels labels = batch["labels"].to(torch.cuda.current_device()) # 对模型进行前向传播，并将返回的结果赋值给变量outputs outputs = self.model(prompt_ids, attention_mask=p_mask, labels=labels) loss = outputs.loss # 获取outputs中的loss属性，并赋值给变量loss if loss >= 2.5: # 如果loss大于或等于2.5 logger.warning(f"batch_id:{batch_id}, abnormal loss: {loss}") # 在日志中记录警告信息 total_loss += loss.item() # 将loss加入到total_loss中 if (batch_id + 1) % log_interval == 0: # 如果当前批次是日志记录间隔的整数倍 if is_rank_0(): # 如果当前进程是主进程 wandb.log({"eval_loss": total_loss / log_interval}) # 在Weights & Biases中记录评估损失 total_loss = 0 # 将total_loss重置为0 # process_bar.update(1) # 更新评估进度条 logger.info(f"Finish evaluation process for epoch {epoch}") # 打印一条日志信息，内容为"Finish evaluation process for epoch {epoch}" 3.2.2 训练一个奖励模型

其次，通过ColossalAI/applications/Chat/coati/trainer/rm.py 训练一个奖励模型

from abc import ABC # 导入 abc 模块（抽象基类模块） from datetime import datetime # 导入 datetime 模块，用于处理日期和时间 from typing import Optional # 导入 typing 模块中的 Optional 类型，它表示一个类型可能是 None import pandas as pd # 导入 pandas 库，用于数据分析和操作 import torch # 导入 PyTorch 库，一个用于深度学习的开源库 import torch.distributed as dist # 导入 PyTorch 分布式计算模块 from torch.optim import Optimizer, lr_scheduler # 导入 PyTorch 中的优化器和学习率调度器 # 导入 PyTorch 的数据加载器和数据集模块 from torch.utils.data import DataLoader, Dataset, DistributedSampler from tqdm import tqdm # 导入 tqdm，一个用于打印进度条的库 # 导入 transformers 库的 tokenization_utils_base 模块中的 PreTrainedTokenizerBase 类，它用于处理预训练的 tokenizer from transformers.tokenization_utils_base import PreTrainedTokenizerBase from .strategies import Strategy # 从当前包的 strategies 模块中导入 Strategy 类 from .utils import is_rank_0 # 从当前包的 utils 模块中导入 is_rank_0 函数 # 定义 RewardModelTrainer 类，它继承自 ABC（抽象基类） class RewardModelTrainer(ABC): """ Trainer to use while training reward model. Args: 这个类继承了 ABC 抽象基类。它接受以下参数： model：待训练的模型 strategy：训练策略 optim：优化器 loss_fn：损失函数 train_dataset：训练数据集 valid_dataset：验证数据集 eval_dataset：评估数据集 batch_size：批次大小（默认为1） max_epochs：最大训练轮数（默认为2） """ # 初始化 RewardModelTrainer 类的实例 def __init__( self, model, strategy: Strategy, optim: Optimizer, loss_fn, train_dataset: Dataset, valid_dataset: Dataset, eval_dataset: Dataset, batch_size: int = 1, max_epochs: int = 1, ) -> None: # 调用父类（ABC）的初始化方法 super().__init__() # 将传入的训练策略保存到实例变量中 self.strategy = strategy # 将传入的最大训练轮数保存到实例变量中 self.epochs = max_epochs # 初始化训练采样器为 None train_sampler = None # 如果当前运行环境已经初始化了分布式计算，并且世界尺寸（即参与分布式计算的进程数）大于 1 if dist.is_initialized() and dist.get_world_size() > 1: # 创建一个分布式采样器 train_sampler = DistributedSampler(train_dataset, shuffle=True, seed=42, drop_last=True) # 创建一个用于训练的数据加载器，如果 train_sampler 为 None，则将 shuffle 设为 True self.train_dataloader = DataLoader(train_dataset, shuffle=(train_sampler is None), sampler=train_sampler, batch_size=batch_size) # 创建一个用于验证的数据加载器 self.valid_dataloader = DataLoader(valid_dataset, batch_size=batch_size, shuffle=True) # 创建一个用于评估的数据加载器 self.eval_dataloader = DataLoader(eval_dataset, batch_size=batch_size, shuffle=True) # 调用策略的 setup_model 方法设置模型，并将结果保存到实例变量中 self.model = strategy.setup_model(model) # 将传入的损失函数保存到实例变量中 self.loss_fn = loss_fn # 调用策略的 setup_optimizer 方法设置优化器，并将结果保存到实例变量中 self.optimizer = strategy.setup_optimizer(optim, self.model) # 创建一个余弦退火学习率调度器，并将结果保存到实例变量中 self.scheduler = lr_scheduler.CosineAnnealingLR(self.optimizer, self.train_dataloader.__len__() // 100) # 定义一个方法，用于评估给定数据加载器上的准确率，并计算选定奖励和拒绝奖励之间的平均距离 def eval_acc(self, dataloader): # 初始化距离、计数器和准确率 dist = 0 on = 0 cnt = 0 # 将模型设置为评估模式 self.model.eval() # 禁用梯度计算，以节省计算资源 with torch.no_grad(): # 遍历数据加载器中的每一批数据 for chosen_ids, c_mask, reject_ids, r_mask in dataloader: # 将 chosen_ids，c_mask，reject_ids 和 r_mask 移动到当前设备上，并去掉第一个维度 chosen_ids = chosen_ids.squeeze(1).to(torch.cuda.current_device()) c_mask = c_mask.squeeze(1).to(torch.cuda.current_device()) reject_ids = reject_ids.squeeze(1).to(torch.cuda.current_device()) r_mask = r_mask.squeeze(1).to(torch.cuda.current_device()) # 将 chosen_ids 和 c_mask 传入模型，计算 chosen_reward chosen_reward = self.model(chosen_ids, attention_mask=c_mask) # 将 reject_ids 和 r_mask 传入模型，计算 reject_reward reject_reward = self.model(reject_ids, attention_mask=r_mask) # 遍历 chosen_reward 的每个元素 for i in range(len(chosen_reward)): # 计数器加一 cnt += 1 # 如果 chosen_reward 大于 reject_reward，那么准确率加一 if chosen_reward[i] > reject_reward[i]: on += 1 # 更新距离 dist += (chosen_reward - reject_reward).mean().item() # 计算距离的平均值 dist_mean = dist / len(dataloader) # 计算准确率 acc = on / cnt # 将模型设置为训练模式 self.model.train() # 返回平均距离和准确率 return dist_mean, acc # 定义一个方法，用于训练模型 def fit(self): # 获取当前的日期和时间 time = datetime.now() # 创建一个进度条，表示训练轮数 epoch_bar = tqdm(range(self.epochs), desc='Train epoch', disable=not is_rank_0()) # 遍历每一个训练轮 for epoch in range(self.epochs): # 创建一个进度条，表示当前训练轮的训练步数 step_bar = tqdm(range(self.train_dataloader.__len__()), desc='Train step of epoch %d' % epoch, disable=not is_rank_0()) # 将模型设置为训练模式 self.model.train() # 初始化计数器、准确率和距离 cnt = 0 acc = 0 dist = 0 # 遍历训练数据加载器中的每一批数据 for chosen_ids, c_mask, reject_ids, r_mask in self.train_dataloader: # 将 chosen_ids，c_mask，reject_ids 和 r_mask 移动到当前设备上，并去掉第一个维度 chosen_ids = chosen_ids.squeeze(1).to(torch.cuda.current_device()) c_mask = c_mask.squeeze(1).to(torch.cuda.current_device()) reject_ids = reject_ids.squeeze(1).to(torch.cuda.current_device()) r_mask = r_mask.squeeze(1).to(torch.cuda.current_device()) # 将 chosen_ids 和 c_mask 传入模型，计算 chosen_reward chosen_reward = self.model(chosen_ids, attention_mask=c_mask) # 将 reject_ids 和 r_mask 传入模型，计算 reject_reward reject_reward = self.model(reject_ids, attention_mask=r_mask) # 调用损失函数，计算损失 loss = self.loss_fn(chosen_reward, reject_reward) # 调用策略的 backward 方法，计算梯度 self.strategy.backward(loss, self.model, self.optimizer) # 调用策略的 optimizer_step 方法，更新模型参数 self.strategy.optimizer_step(self.optimizer) # 将优化器的梯度缓存清零 self.optimizer.zero_grad() # 计数器加一 cnt += 1 # 如果计数器达到 100 if cnt == 100: # 调用学习率调度器的 step 方法，更新学习率 self.scheduler.step() # 计算验证数据加载器上的平均距离和准确率 dist, acc = self.eval_acc(self.valid_dataloader) # 重置计数器 cnt = 0 # 如果当前进程是 rank 0 if is_rank_0(): # 创建一个 DataFrame 来存储步数、损失、距离和准确率 log = pd.DataFrame([[step_bar.n, loss.item(), dist, acc]], columns=['Step', 'Loss', 'Distance', 'Accuracy']) # 将 DataFrame 保存到 CSV 文件中 log.to_csv(str(time) + '.csv', mode='a', header=False) # 更新进度条 step_bar.update(100) # 更新进度条 epoch_bar.update(1) # 如果当前进程是 rank 0 if is_rank_0(): # 打印训练结束的消息 print('Training finished!') # 计算评估数据加载器上的平均距离和准确率 dist, acc = self.eval_acc(self.eval_dataloader) # 创建一个 DataFrame 来存储损失、距离和准确率 log = pd.DataFrame([[self.train_dataloader.__len__(), 'N/A', dist, acc]], columns=['Step', 'Loss', 'Distance', 'Accuracy']) # 将 DataFrame 保存到 CSV 文件中 log.to_csv(str(time) + '.csv', mode='a', header=False) 3.2.3 通过trainer/ppo.py to start PPO training

最后，通过ColossalAI/applications/Chat/coati/trainer/ppo.py to start PPO training

from typing import Any, Callable, Dict, List, Optional # 导入一些类型别名，用于类型注解 import torch # 导入PyTorch库，这是一个机器学习库，广泛用于深度学习模型的建立和训练 import torch.nn as nn # 导入PyTorch的神经网络模块 from coati.experience_maker import Experience, NaiveExperienceMaker # 导入Experience和NaiveExperienceMaker，前者用于保存Agent的经验，后者用于创建Experience对象 from coati.models.base import Actor, Critic # 导入Actor和Critic，他们是PPO算法中的关键组成部分 from coati.models.generation_utils import update_model_kwargs_fn # 导入函数update_model_kwargs_fn，用于更新模型的参数 from coati.models.loss import PolicyLoss, ValueLoss # 导入PolicyLoss和ValueLoss，分别计算策略损失和价值损失 from coati.replay_buffer import NaiveReplayBuffer # 导入NaiveReplayBuffer，用于保存和回放经验 from torch.optim import Optimizer # 导入Optimizer，这是优化算法的基类 from transformers.tokenization_utils_base import PreTrainedTokenizerBase # 导入预训练的tokenizer基类，用于处理文本数据 from .base import Trainer # 导入Trainer类，这是训练循环的基类 from .callbacks import Callback # 导入Callback类，用于在训练过程中的某些阶段执行特定的函数 from .strategies import Strategy # 导入Strategy类，它定义了模型参数更新的策略 # PPOTrainer类的定义，继承自Trainer class PPOTrainer(Trainer): # 类的初始化函数，接受许多参数 def __init__(self, strategy: Strategy, # 用于更新模型参数的策略 actor: Actor, # 用于选择动作的模型 critic: Critic, # 用于评估动作的模型 reward_model: nn.Module, # 用于计算奖励的模型 initial_model: Actor, # 用于生成初始策略的模型 actor_optim: Optimizer, # 用于优化actor的优化器 critic_optim: Optimizer, # 用于优化critic的优化器 kl_coef: float = 0.1, # kl散度系数 ptx_coef: float = 0.9, # ptx系数 train_batch_size: int = 8, # 训练批大小 buffer_limit: int = 0, # 缓冲区大小限制 buffer_cpu_offload: bool = True, # 是否在cpu上处理缓冲区 eps_clip: float = 0.2, # epsilon剪裁值 value_clip: float = 0.4, # 价值剪裁值 experience_batch_size: int = 8, # 经验批大小 max_epochs: int = 1, # 最大训练周期数 tokenizer: Optional[Callable[[Any], dict]] = None, # 用于文本处理的tokenizer sample_replay_buffer: bool = False, # 是否从回放缓冲区中抽样 dataloader_pin_memory: bool = True, # 数据加载器是否针对内存 callbacks: List[Callback] = [], # 在训练过程中的某些阶段执行的函数列表 **generate_kwargs) -> None: # 其他生成参数 # 创造经验生成器 experience_maker = NaiveExperienceMaker(actor, critic, reward_model, initial_model, kl_coef) # 创造经验回放缓冲区 replay_buffer = NaiveReplayBuffer(train_batch_size, buffer_limit, buffer_cpu_offload) # 根据策略和actor设置默认的生成参数 generate_kwargs = _set_default_generate_kwargs(strategy, generate_kwargs, actor) # 调用父类的初始化函数 super().__init__(strategy, experience_maker, replay_buffer, experience_batch_size, max_epochs, tokenizer, sample_replay_buffer, dataloader_pin_memory, callbacks, **generate_kwargs) # 初始化actor和critic self.actor = actor self.critic = critic # 初始化损失函数 self.actor_loss_fn = PolicyLoss(eps_clip) self.critic_loss_fn = ValueLoss(value_clip) self.ptx_loss_fn = nn.CrossEntropyLoss(ignore_index=-100) self.ptx_coef = ptx_coef # 初始化优化器 self.actor_optim = actor_optim self.critic_optim = critic_optim # 训练步骤函数，根据经验对象计算actor和critic的损失，并使用策略进行反向传播和优化器更新 def training_step(self, experience: Experience) -> Dict[str, float]: self.actor.train() # 将actor设置为训练模式 self.critic.train() # 将critic设置为训练模式 # 计算策略损失 num_actions = experience.action_mask.size(1) action_log_probs = self.actor(experience.sequences, num_actions, attention_mask=experience.attention_mask) actor_loss = self.actor_loss_fn(action_log_probs, experience.action_log_probs, experience.advantages, action_mask=experience.action_mask) # 计算ptx损失 if self.ptx_coef != 0: ptx = next(iter(self.pretrain_dataloader))['input_ids'].to(torch.cuda.current_device()) label = next(iter(self.pretrain_dataloader))['labels'].to(torch.cuda.current_device())[:, 1:] attention_mask = next(iter(self.pretrain_dataloader))['attention_mask'].to(torch.cuda.current_device()) ptx_log_probs = self.actor.get_base_model()(ptx, attention_mask=attention_mask)['logits'][..., :-1, :] ptx_loss = self.ptx_loss_fn(ptx_log_probs.view(-1, ptx_log_probs.size(-1)), label.view(-1)) actor_loss = ptx_loss * self.ptx_coef + actor_loss * (1 - self.ptx_coef) self.strategy.backward(actor_loss, self.actor, self.actor_optim) # 使用策略进行反向传播 self.strategy.optimizer_step(self.actor_optim) # 使用策略进行优化器步进 self.actor_optim.zero_grad() # 清零优化器的梯度 # 计算价值损失 values = self.critic(experience.sequences, action_mask=experience.action_mask, attention_mask=experience.attention_mask) critic_loss = self.critic_loss_fn(values, experience.values, experience.reward, action_mask=experience.action_mask) self.strategy.backward(critic_loss, self.critic, self.critic_optim) # 使用策略进行反向传播 self.strategy.optimizer_step(self.critic_optim) # 使用策略进行优化器步进 self.critic_optim.zero_grad() # 清零优化器的梯度 return {'reward': experience.reward.mean().item()} # 返回平均奖励 # 根据策略和actor设置默认的生成参数 def _set_default_generate_kwargs(strategy: Strategy, generate_kwargs: dict, actor: Actor) -> None: origin_model = strategy._unwrap_actor(actor) new_kwargs = {**generate_kwargs} # 使用huggingface模型的方法直接生成输入 if 'prepare_inputs_fn' not in generate_kwargs and hasattr(origin_model, 'prepare_inputs_for_generation'): new_kwargs['prepare_inputs_fn'] = origin_model.prepare_inputs_for_generation if 'update_model_kwargs_fn' not in generate_kwargs: new_kwargs['update_model_kwargs_fn'] = update_model_kwargs_fn return new_kwargs # 保存模型的函数 def save_model(self, path: str, only_rank0: bool = False, tokenizer: Optional[PreTrainedTokenizerBase] = None) -> None: self.strategy.save_model(model=self.actor, path=path, only_rank0=only_rank0, tokenizer=tokenizer) # 使用策略保存模型

在获得最终模型权重后，还可通过量化降低推理硬件成本，并启动在线推理服务，仅需单张约 4GB 显存的 GPU 即可完成 70 亿参数模型推理服务部署

更多请参见另一篇文章：从零实现带RLHF的类ChatGPT：逐行解析微软DeepSpeed Chat

【本文地址】

公司简介

联系我们