InstructGPT原理讲解及ChatGPT类开源项目_instruct 源代码

InstructGPT原理讲解及ChatGPT类开源项目

Generative Pre-Trained Transformer（GPT） 是OpenAI的提出的生成式预训练语言模型，目前已经发布了GPT-1、GPT-2、GPT-3和GPT-4，未来也将发布GPT-5。

最近非常火的ChatGPT是基于InstructGPT提出的，有时候也被叫做GPT3.5。ChatGPT和InstructGPT在模型结构，训练方式上都完全一致，即都使用了指示性学习（Instruction Learning） 和人工反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF） 来指导模型的训练，它们不同的仅仅是采集数据的方式上有所差异。所以要搞懂ChatGPT，我们必须要先读懂InstructGPT。

核心要点：

• 把语言模型变大并不代表是能够按照用户的意图来做事，这些模型与用户没有align
• AI模型落地，安全性和有效性很重要
• 如何将大模型与人类意图相结合。简单的方法是使用用户反馈的监督数据进行fine-tune。
• 我们期望语言模型是helpful、honest、harmless。

相关文献：
Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback
构建了一个数据集，用于评测helpful和harmless：https://github.com/anthropics/hh-rlhf。

本文以GPT-3.5为起始点，关注使用fine-tuning的方法来align用户意图和大模型预训练。采用Reinforcement Learning from Human Feedback（RLHF）：

Google在2017年发表的《Deep Reinforcement Learning from Human Preferences》，人类反馈的强化学习过程如下所示：

InstructionGPT的训练过程：

• Step1： 先采样一些demonstration数据，其包括prompt和labeled answer。基于这些标注的数据，对 GPT-3 进行fine-tuning，得到SFT（Supervised Fine-tuning）；雇佣40名标注人员完成prompt的标注（实际可能上百人参与了数据标注和处理）。此时的SFT模型在遵循指令/对话方面已经优于 GPT-3，但不一定符合人类偏好。

• Step2： Fine-tuning完之后，再给一个prompt让SFT模型生成出若干结果（生成约4～7个结果，可以通过beam search等方法），例如上图中生成ABCD四种结果，通过人工标注为其排序，例如D>C>A=B，可以得到标注的排序pair；

基于标注的排序结果，训练一个Reward Model：
对多个排序结果，两两组合，形成多个训练数据对。RM模型接受一个输入，给出评价回答质量的分数。这样，对于一对训练数据，调节参数使得高质量回答的打分比低质量的打分要高：
$$loss(\theta )=-\frac{1}{\left(\genfrac{}{}{0ex}{}{K}{2}\right)}{E}_{(x,y_w,y_l)\sim D[\log (\sigma (r_{\theta }(x,y_w)-r_{\theta }(x,y_l)))]}$$

$r_{\theta }$表示一个reward function
论文中K表示生成的数量4～9之间。
解决过拟合的问题：

即在训练时，InstructGPT/ChatGPT将每个prompt的 $C_K^2$ 个响应对作为一个batch，这种按prompt为batch的训练方式要比传统的按样本为batch的方式更不容易过拟合，因为这种方式每个prompt会且仅会输入到模型中一次。

• Step3： 继续用生成出来的结果训练SFT，并通过强化学习的PPO方法，最大化SFT生成出排序靠前的answer。

$objective(\varphi )=E_{(x,y)\sim D_{{\pi }_{\varphi }^{RL}}}[r_{\theta }(x,y)-\beta \log ({\pi }_{\varphi }^{RL}(y|x)/{\pi }^{SFT}(y|x))]+\gamma E_{x\sim D_{pretrain}}[\log ({\pi }_{\varphi }^{RL}(x))]$
初始化时 ${\pi }_{\varphi }^{RL}={\pi }^{SFT}$
PPO算法在训练过程中环境会发生变换。
首先，根据自动标注的数据（下面的来源3），喂入 ${\pi }_{\varphi }^{RL}$中，得到输出结果 $y$，其会根据$r_{\theta }$得到一个得分，期望在训练 ${\pi }_{\varphi }^{RL}$时能够最大化reward的得分；
第二项loss表示KL散度，在迭代训练过程中，避免RL模型 ${\pi }_{\varphi }^{RL}$与原始的监督训练的SFT模型差的太远；
第三项则是一个预训练目标，可以理解为避免灾难遗忘。当 $\gamma =0$时则为标准的PPO模型，否则为PPO-ptx模型；
1.3B 参数 InstructGPT 模型的输出优于 175B GPT-3 的输出，尽管参数少了 100 多倍。

Prompt数据来源
标注人员先标注一些prompt，主要包括三种类型的数据集：

• 来源1：标注人员直接标注prompt对应的答案，然后训练SFT模型；
• 来源2：标注人员标注排序数据（即对SFT生成的多个答案进行排序），用于训练RM模型；
• 来源3：PPO数据集，此时不需要任何标注，其来自于RM模型对生成的若干结果进行排序后的内容

训练一个V1版本的模型；
发布内测，收集公众的提问数据，进行筛选后再次训练模型，迭代训练。

考虑到ChatGPT仅仅被用在对话领域，这里我猜测ChatGPT在数据采集上有两个不同：

1. 提高了对话类任务的占比；
2. 将提示的方式转换Q&A的方式。当然这里也仅仅是猜测，更准确的描述要等到ChatGPT的论文、源码等更详细的资料公布我们才能知道。

---

ChatGPT训练语料大约40T大小。大规模预训练语言模型预训练语料：

（1）BookCorpus：

• 2.2GB：https://hyper.ai/datasets/13642
• 37GB：https://the-eye.eu/public/AI/pile_preliminary_components/books3.tar.gz

（2）中文Wudao： https://data.baai.ac.cn/details/WuDaoCorporaText

（3）CLUECorpus： 100GB 的高质量中文预训练语料：https://github.com/CLUEbenchmark/CLUECorpus2020

（4）MNBVC： 2376.12GB超大规模中文语料：https://github.com/esbatmop/MNBVC

MNBVC数据集不但包括主流文化，也包括各个小众文化甚至火星文的数据。MNBVC数据集包括新闻、作文、小说、书籍、杂志、论文、台词、帖子、wiki、古诗、歌词、商品介绍、笑话、糗事、聊天记录等一切形式的纯文本中文数据。数据均来源于互联网收集。

其他数据集：

---

参考资料：
【1】InstructGPT原理
【2】理解Actor-Critic的关键是什么？(附代码及代码分析)
【3】Prompt-Tuning——深度解读一种新的微调范式