RLHF介绍及实践测试_rlhf测试

介绍

RLHF（Reinforcement Learning Hyperparameter Optimization Framework）是一种用于强化学习模型的超参数优化框架。它结合了强化学习中的经典方法和贝叶斯优化技术，能够更高效地找到最佳超参数组合。下面是强化学习微调的完整 RLHF 流程：

• RLHF-Stage1 是 supervised-fintuning，即使用上文提到的数据集进行模型微调，目的是将大模型能力往垂直领域迁移；
• RLHF-Stage2 训练奖励模型，它通过对于同一个 prompt 的不同输出进行人工排序，得到对应分数，监督训练奖励模型，目的是训练一个自动评估函数；
• RLHF-Stage3 使用了强化学习算法训练优化LM，目前多个组织找到的可行方案是使用策略梯度强化学习 (Policy Gradient RL) 算法、近端策略优化 (Proximal Policy Optimization，PPO) 微调初始 LM 的部分或全部参数。

ps: 与lora微调的区别是：RLHF多了强化学习的过程，lora微调相当于RLHF-Stage1的SFT。

参考学习资料：如何看待Geoffrey Hinton对RLHF的看法？ - 知乎【科普向】Chat GPT背后的技术：什么是RLHF(人类反馈强化学习）？ - 哔哩哔哩

框架

• DeepspeedChat：暂不支持LLama、chatglm，IDEA的微调https://github.com/microsoft/DeepSpeedExamples/tree/master/applications/DeepSpeed-Chat

• Trlx：GitHub - CarperAI/trlx: A repo for distributed training of language models with Reinforcement Learning via Human Feedback (RLHF)

• ColossalAI-Chat：暂不支持chatglm，IDEA的微调https://github.com/hpcaitech/ColossalAI/tree/main/applications/Chat

三个框架对比介绍：

RLHF几大常用框架实践对比（trlx、deepspeedchat、colossalaichat） - 知乎

实践

本次实践采用ColossalAI框架分步训练（暂不支持TP策略，支持DP策略）

官方训练介绍：https://github.com/hpcaitech/ColossalAI/tree/main/applications/Chat#rlhf-training-stage3---training-model-with-reinforcement-learning-by-human-feedback

conda环境：conda activate coati

RLHF Training Stage1 - Supervised instructs tuning

数据准备：https://huggingface.co/datasets/yizhongw/self_instruct/viewer/super_natural_instructions/train

train_sft.sh：执行监督训练shell脚本

CUDA_VISIBLE_DEVICES=0 torchrun --standalone --nproc_per_node=1 train_sft.py \
    --pretrain "/data/jupyter/LLM/models/llama-7b-hf/" \  #微调训练底模
    --model 'llama' \
    --strategy colossalai_zero2 \ #微调策略方法
    --log_interval 10 \
    --save_path  /data/jupyter/your_production/ColossalAI/applications/Chat/models/sft-7b \ #保存路径
    --dataset "yizhongw/self_instruct" \ #huggingface数据集
    --batch_size 1 \
    --accumulation_steps 8 \
    --lr 2e-5 \
    --max_datasets_size 512 \
    --max_epochs 1 \
    --lora_rank 1

ps：

• 更多参数说明参考

train_sft.py

• 训练方法：执行

./train_sft.sh

•  该步训练的坑较少，只要显存足够，一般不会遇到问题。

RLHF Training Stage2 - Training reward model

数据准备：https://huggingface.co/datasets/Anthropic/hh-rlhf/viewer/Anthropic--hh-rlhf/train?row=1

train_rm.sh：执行奖励函数训练脚本

torchrun --standalone --nproc_per_node=1 train_reward_model.py \
   --pretrain  "/data/jupyter/your_prodcution/ColossalAI/applications/Chat/models/sft-7b" \ #这里是第一步训练保存的模型路径
   --model 'llama' \
   --strategy colossalai_gemini \ #训练策略，这里只能该策略，其他策略实测单张3090 24G显存不足
   --loss_fn 'log_exp'\
   --save_path /data/jupyter/your_prodcution/ColossalAI/applications/Chat/models/rmstatic.pt \ #保存模型路径，这里仅为模型权重
   --dataset 'Anthropic/hh-rlhf'\ #huggingface数据集
   --lora_rank 1 \
   --batch_size 1 \
   --max_len 128 

ps：

• 更多参数说明参考

train_reward_model.py

• pretrain的模型是第一步训练保存的模型
• strategy只能执行colossalai_gemini，其他会显存不足
• max_len设置为128、256可以跑通，但512会出现显存不足

RLHF Training Stage2 - Training reward model

数据准备：

使用generate_prompt_dataset.py对目标数据生成prompt数据（instructions）https://github.com/XueFuzhao/InstructionWild/tree/main/data#instructwild-data

使用步骤一的pretrain dataset(including the instruction and corresponding response)https://huggingface.co/datasets/yizhongw/self_instruct/viewer/super_natural_instructions/train

train_prompts.sh：执行LM微调训练脚本

torchrun --standalone --nproc_per_node=2 train_prompts.py \
    --pretrain "/data/jupyter/your_production/ColossalAI/applications/Chat/models/sft-7b" \
    --model 'llama' \
    --strategy colossalai_gemini \
    --prompt_dataset /data/jupyter/LLM/datasets/InstructionWild/data1 \
    --pretrain_dataset /data/jupyter/LLM/datasets/self_instruct \
    --rm_pretrain /your/pretrain/rm/definition \
    --rm_path /data/jupyter/your_production/ColossalAI/applications/Chat/models/rmstatic.pt

ps:

• 因显存不足，该过程暂无法跑通，底层代码多处封装cuda使用，较难使用仅cpu运行；
• rm_pretrain本意应为训练第二步保存的模型结构，但第二步训练保存的是pt文件，无保存模型结构（colossalai_gemini无法执行save_pretrained，原作者也没有这样保存，colossalai_zero2策略可以，但显存不足），所以在第三步作者是分两步完成模型加载

state_dict = torch.load(args.rm_path, map_location='cpu') reward_model = LlamaRM(pretrained=args.rm_pretrain) reward_model.load_state_dict(state_dict)

• 这里存在有问题：第二步RM保存pt文件是有两层lora训练的，LlamaRM是无lora的，导致加载直接报错，修改为：

reward_model = LlamaRM(pretrained=pretrain, lora_rank=lora_rank)

• critic加载第二步RM保存pt文件，存在问题，LlamaCritic是三层lora，pt是二层lora导致报错：

_IncompatibleKeys(missing_keys=['value_head.lora_A', 'value_head.lora_B'], unexpected_keys=[])

修改critic.load_state_dict(state_dict, strict=False)可解决；

• critic的lora加载顺序可能有问题：先加载value_head后convert_to_lora，导致value_head不可训练，该层参数随机化；

self.model = model self.value_head = value_head self.use_action_mask = use_action_mask self.convert_to_lora()