随着最近 ChatGPT 的大火，越来越多人开始关注其中用到的 RLHF（Reinforcement Learning from Human Feedback）这一核心思想。
使用强化学习（而非监督学习）的方式更新语言模型，最大的优势是在于能够使得「模型更加自由的探索更新方向，从而突破监督学习的性能天花板」。
关于为什么使用 RL 技术能够达到更好的效果，可以参考下面这个视频中的例子（6:30 秒处）：
在今天这篇文章中，我们将通过一个示例来完成利用「强化学习」更新「语言模型」的任务。
1. 任务描述：利用 RL 训练一个好评生成器
我们设定一个任务目标：学习一个「好评生成器」。
模型接收一段 prompt，例如：刚收到货，感觉
随即，让模型将这段话补全，例如：有点不符合预期，货物很差
prompt: 刚收到货，感觉
output 1: 刚收到货，感觉 有 点 不 符 合 预 期 ，不 好
output 2: 刚收到货，感觉 挺 无 奈 的 送 货 速 度 不 太 行
...
在初始状态下，模型将没有任何偏好的生成答案，这意味着有可能生成一些差评（如上述例子）。
现在，我们将利用强化学习（PPO）的方式来对生成模型进行「好评生成」的训练。
每当模型生成一个句子，我们就给出一个相应的得分（reward），用于表征该条生成评论是否是「正向好评」，如下所示：
output 1: 刚收到货，感觉有 点 不 符 合 预 期 ，不 好 -> 0.2 分
output 2: 刚收到货，感觉有 挺 无 奈 的 送 货 速 度 不 太 行 -> 0.1 分
output 3: 刚收到货，感觉有 些 惊 喜 于 货 物 质 量 -> 0.9 分
...
随即，我们利用打出的 reward 对生成模型进行迭代。
整个流程如下图所示：
引入判别模型代替人工打分
如果依靠人工为每一个输出打分，这将是一个非常漫长的过程。
如果我们能找到一个判别模型：接收一个句子作为输入，输出这个句子是好评的概率。
那么我们就可以直接利用这个判别模型的输出作为生成句子的 reward。
因此，我们引入另一个「情绪识别模型」来模拟人工给出的分数。
「情绪识别模型」我们选用 transformers 中内置的 sentiment-analysis pipeline 来实现。
该模型基于网络评论数据集训练，能够对句子进行「正向、负向」的情绪判别，如下所示：
我们利用该「情感识别模型」的判别结果（0.0~1.0）作为 GPT 生成模型的 reward，以指导 GPT 模型通过强化学习（PPO）算法进行迭代更新。
2. 训练流程详解
2.1 生成采样（Rollout）
生成采样阶段的目的是为了让当前模型生成一些采样结果。
为了保证生成句子的多样性，我们设定了一个 prompt 池，模型会从中随机选择一个 prompt 来进行答案生成：
# prompt池
prompts = [
'刚收到货，感觉',
'这部电影很',
'说实话，真的很',
'这次购物总的来说体验很'
]
...
for _ in range(config['batch_size']):
random_prompt = random.choice(prompts) # 随机选择一个prompt
tokens = gpt2_tokenizer.encode(random_prompt)
batch['tokens'].append(tokens)
batch['query'].append(random_prompt)
query_tensors = [torch.tensor(t).long().to(device) for t in batch["tokens"]]
...
for i in range(config['batch_size']):
gen_len = config['gen_len']
response = gpt2_model.generate(query_tensors[i].unsqueeze(dim=0), # 利用当前选择的prompt生成句子
max_new_tokens=gen_len, **gen_kwargs)
response_tensors.append(response.squeeze()[-gen_len:])
这一步之后，我们将获得一堆模型的生成结果：
[
'刚收到货，感觉 很 一 般',
'这部电影很 俗 而 且 很 无 趣',
'这次购物总的来说体验很 烂 不 是 我 想 要 的',
...
]
2.2 Reward 评估（Evaluation）
在获得了模型生成结果后，我们就可以利用「情感识别模型」进行打分了。
# 情绪识别模型初始化
senti_tokenizer = AutoTokenizer.from_pretrained('uer/roberta-base-finetuned-jd-binary-chinese')
senti_model = AutoModelForSequenceClassification.from_pretrained('uer/roberta-base-finetuned-jd-binary-chinese')
sentiment_pipe = pipeline('sentiment-analysis', model=senti_model, tokenizer=senti_tokenizer, device=pipe_device)
...
texts = [q + r for q,r in zip(batch['query'], batch['response'])] # 将 prompt 和生成的 response 做拼接
pipe_outputs = sentiment_pipe(texts) # 计算正向/负向情感得分
执行上述代码后，得到每个句子的 reward 得分：
[
0.4,
0.3,
0.3,
...
]
2.3 模型迭代（Optimization）
模型迭代阶段我们会利用 PPO 进行模型参数的更新，更新代码只用一行：
ppo_trainer.step(query_tensors, response_tensors, rewards) # PPO Update
PPO 在更新时一共会计算 2 个 loss：pg_loss、value_loss：
loss_p, loss_v, train_stats = self.loss(logprobs, values, rewards, query, response, model_input)
loss = loss_p + loss_v
self.optimizer.zero_grad()
loss.backward()
self.optimizer.step()
...
pg_loss
pg_loss 是 PPO 中 actor 的 loss 函数，其通过 discount reward 和 importance ratio 来计算当前 step 的 reward 应该是多少：
l o s s p g = P π n e w ( t o k e n ) P π o l d ( t o k e n ) ( r + γ V n e x t − V c u r r e n t ) loss_{pg} = \frac{P_{\pi_{new}(token)}}{P_{\pi_{old}(token)}}(r + \gamma V_{next} - V_{current}) losspg=Pπold(token)Pπnew(token)(r+γVnext−Vcurrent)loss_{pg} = \frac{P_{\pi_{new}(token)}}{P_{\pi_{old}(token)}}(r + \gamma V_{next} - V_{current})
其中，importance ratio 是指产生同样的 token，在 active actor model 和 reference actor model 下的概率比值，这也是 PPO 模型中的 Importance Sampling 系数。
for t in reversed(range(gen_len)):
nextvalues = values[:, t + 1] if t < gen_len - 1 else 0.0
delta = rewards[:, t] + self.ppo_params['gamma'] * nextvalues - values[:, t] # 优势函数：r + Vnext - V
lastgaelam = delta + self.ppo_params['gamma'] * self.ppo_params['lam'] * lastgaelam # GAE, 用于平衡 bias 和 variance
advantages_reversed.append(lastgaelam)
advantages = torch.stack(advantages_reversed[::-1]).transpose(0, 1)
logits, _, vpred = self.model(model_input) # 跑一遍模型，得到句子中每个token被选择的概率
logprob = logprobs_from_logits(logits[:,:-1,:], model_input[:, 1:]) # 将概率取log对数
ratio = torch.exp(logprob - old_logprobs) # log相减，等同于概率相除
pg_losses = -advantages * ratio
value_loss
value_loss 是 PPO 中 critic 的 loss 函数，其目的在于评判每一个 token 被生成后的 value 是多少。
这是因为在 PPO 中需要有一个 critic 网络，为了实现这个效果，我们需要对 GPT 模型进行改造。
我们在 GPT 中加入一个 Value Head，用于将 hidden_size 向量映射到一个 1 维的 value 向量：
class GPT2HeadWithValueModel(GPT2PreTrainedModel):
"""The GPT2HeadWithValueModel class implements a GPT2 language model with a secondary, scalar head."""
def __init__(self, config):
super().__init__(config)
config.num_labels = 1
self.transformer = GPT2Model(config)
self.lm_head = nn.Linear(config.n_embd, config.vocab_size, bias=False)
self.v_head = ValueHead(config) # 添加 Value Head
self.init_weights()
...
class ValueHead(nn.Module):
"""The ValueHead class implements a head for GPT2 that returns a scalar for each output token."""
def __init__(self, config):
super().__init__()
self.summary = nn.Linear(config.hidden_size, 1) # (hidden_size -> 1)
...
value_loss 就应该等于 Value Head 产生的预测值 v_pred 和真实值 r + v_next 之间的差值：
l o s s v a l u e = ∣ ∣ V p r e d − ( r + V n e x t ) ∣ ∣ loss_{value} = || V_{pred} - (r + V_{next}) || lossvalue=∣∣Vpred−(r+Vnext)∣∣loss_{value} = || V_{pred} - (r + V_{next}) ||
returns = advantages + values # r + v_next - v + v => r + v_next
logits, _, vpred = self.model(model_input) # 跑一遍语言模型，得到每个 token 的 v_pred
vf_losses1 = (vpred - returns) ** 2 # MSE
3. 实验结果
训练曲线图如下所示，可以看到随着训练推进，模型的 reward 由最早的 0.68 -> 0.85 左右：
在模型刚开始训练的时候，GPT 会生成一些比较随机的答案，此时的平均 reward 也不会很高，会生成一些「负面」情绪的评论（如下所示）：
随着训练，GPT 会慢慢学会偏向「正面」的情绪评论（如下所示）：
完整源码在这里：
github.com/HarderThenHarder/transformers_tasks/tree/main/RLHF