38 大模型（LLMs）强化学习—— PPO 面

大模型（LLMs）强化学习——PPO面¶

来自： AiGC面试宝典

宁静致远

2024年01月27日20:47

大模型（LLMs）强化学习——PPO面一、大语言模型RLHF中的PPO主要分哪些步骤？二、举例描述一下大语言模型的RLHF? 三、大语言模型RLHF 采样篇 3.1 什么是 PPO 中采样过程？ 3.2 介绍一下 PPO 中采样策略？ 3.3 PPO 中采样策略中，如何评估“收益”？参考

一、大语言模型RLHF中的PPO主要分哪些步骤？¶

大语言模型RLHF中的PPO分为：

采样
反馈
学习

对应的实现逻辑如下：

policy_model = load_model()

for k in range(20000): # 采样（生成答案） prompts = sample_prompt() data = respond(policy_model, prompts)

# 反馈（计算奖励）
rewards = reward_func(reward_model, data)

# 学习（更新参数）
for epoch in range(4):
    policy_model = train(policy_model, prompts, data, rewards)

二、举例描述一下大语言模型的RLHF？¶

大语言模型的RLHF，实际上是模型先试错再学习的过程。¶

大语言模型的RLHF好比是：老师与学生的角色

·我们扮演着老师的角色，给出有趣的问题。模型则会像小学生一样，不断尝试给出答案。

·模型会根据我们给出的问题，写出它觉得正确的答案，但是这些答案不一定是真的答案，需要我们结合正确答案进行打分。如果它表现得好，就会给予它高声赞扬；如果它表现不佳，我们则会给予它耐心的指导和反馈，帮助它不断改进，直到达到令人满意的水平。

三、大语言模型RLHF 采样篇¶

3.1 什么是 PPO 中采样过程？¶

PPO 中采样过程：学生回答问题的过程，是模型根据提示（prompt）输出回答（response）的过程，或者说是模型自行生产训练数据的过程。

eg:

prompt	response
请告诉我三种常见的动物。	猫，狗，鹦鹉。
如何评价电影《爱乐之城》？	音乐的经典令人赞叹不已，结局却让人感到五味杂陈。
詹姆斯和库里谁更伟大？	他们都很伟大，我无法比较。

3.2 介绍一下 PPO 中采样策略?¶

PPO 中采样工作通过一种策略（policy）：policy 由两个模型组成，一个叫做演员模型（Actor），另一个叫做评论家模型（Critic）。它们就像是学生大脑中的两种意识，一个负责决策，一个负责总结得失。

演员：我们想要训练出来的大模型。在用PPO训练它之前，它就是RLHF的第一步训练出来的SFT（Supervised Fine-Tuning）model。输入一段上下文，它将输出下一个token的概率分布。

评论家：强化学习的辅助模型，输入一段上下文，它将输出下一个token的“收益”。

3.3 PPO 中采样策略中，如何评估“收益”？¶

从下一个token开始，模型能够获得的总奖励（浮点数标量）。这里说的奖励包括Reward Model给出的奖励。

知识星球