大模型强化学习微调：小白也能学会的收藏级教程

本文介绍了大模型的强化学习微调RFT过程从基础的RT强化学习演进到复杂的策略详细解析了为何LLM需要RFT以及RFT与SFT的对比。文章还探讨了RFT适用的场景以及如何利用RFT优化Function Call中的输出结果。此外文章详细介绍了奖励模型、PPO、DPO和GRPO等关键概念并以GSM8K数据集为例展示了GRPO的实操过程。这是一篇适合小白和程序员的收藏级教程帮助你快速掌握大模型强化学习微调的核心技术。一、 RT强化学习1.1 训练过程的演进• 第一阶段self-supervised Learning这里我们可以理解为基座大模型输入人工智输出慧• 第二阶段supervised Learning这里就是SFT输入你是谁输出我• 第三阶段Reinforcement Learning, 强化学习输入世界上最高的山是输出喜马拉雅山而不是输出 我不知道1.2 什么是RFTRFTreinforcement fine-tuning是强化学习微调。就是在已经预训练好的大模型基础上用 “奖励机制” 再训练一遍让模型越来越会做你想要它做的事。• Fine-tuning微调在已经训练好的模型上用少量数据再训练让模型更贴合你的任务• Reinforcement强化学习给模型回答的结果进行打分进行奖励/惩罚这里使用李宏毅老师的讲解RF的ppt我们就能很直观的了解RF是什么了1.3 为什么LLM需要RFT对于LLM来说什么样的输出才能算 “好文本”呢它不仅仅关乎语法或事实还关乎人类的品味、思路的连贯性、推理的正确性、消除输出中不必要的偏见等等。因此我们需要强化学习来帮忙LLM来适应符合人类的偏好• **人类来评判LLM而非公式**人类成为我们的“奖励函数”。• **学习人类的喜好**我们训练 LLM 生成人类更可能喜欢的文本。1.4 RFT和SFT的对比RFTSFT训练量级少于10010w以上训练时间更快漫长模型学习基于正反case进行迭代对于输入和输出的关联进行记忆类比教会了AI如何去思考行为用信息数据填充AI的脑子里面1.5 什么场景适用于RFT• 没有标签数据可以通过自己定义的验证代码来判别输出结果的正确性• 只有少量的标签数据没有足够的量级支持SFT• 需要COT来提升模型表现RFT能让COT的过程控制变短从而提升模型推理速度• 需要多个步骤的逻辑推理当需要模型需要一步一步进行决策的时候而不是简单的直接映射关系RFT更适合• 更快速的进行模型的迭代以更快的速度更短时间进行模型的实时迭代1.6 Function Call中RF的应用如果大家在项目中经常使用function call或者需要将大模型输出的结果进行二次解析的话经常就会遇到一个很蛋疼的问题那就是 明明提示词写的就是让LLM输出 指定的json结构的返回结果但是往往 LLM 最终输出的都是非结构化的数据。因此我们可以利用RF对模型进行训练专门强化输出结构化的推理结果。二、RT的演进2.1 奖励模型为什么需要奖励模型我们不能让人类在LLM的训练过程中对每个次训练迭代的输出结果进行评判那样会太慢了因此我们需要训练一个奖励模型——一个学习模仿人类偏好的AI评判模型• **奖励模型 AI 口味测试员**我们使用人类偏好数据对其进行训练。它会学习给人类倾向于喜欢的文本赋予更高的分数。• **强化学习算法使用奖励模型**诸如 PPO、DPO 和 GRPO 之类的算法使用这种奖励模型来指导语言学习模型 (LLM) 的学习。LLM 尝试生成能够获得 AI 评委高分的文本。2.2 PPOPPO论文https://arxiv.org/abs/1707.06347InstructGPT论文https://arxiv.org/abs/2203.02155这个是OpenAI在17年提出的近端策略优化 (PPO)到22年OpenAI提出了InstructGPT之后将 PPO 提升到了一个全新的高度。这篇论文展示了如何利用 PPO 根据人类偏好来微调大规模语言模型例如 GPT-3。InstructGPT 不再仅仅是预测下一个词而是学会了生成人类真正喜欢的文本——既有帮助又无害的文本。以下是PPO训练的步骤• 生成文本LLM通过不同提示词来生成推理的文本• 奖励模型对生成的文本进行评分。• 利用广义优势估计 (GAE)来计算优势它会考虑多个词的奖励平衡方差MC和偏差TD之间的权衡。这就像不仅在最后给予奖励而且在过程中也会对表现良好的“小步骤”给予奖励能计算每个词选择的提升幅度。• KL散度的惩罚新旧结果的差异很大会施加惩罚从而增强稳定性。• 更新价值函数训练价值函数使其准确地预测不同文本生成的“好坏”。2.3 DPODPO论文地址https://arxiv.org/abs/2305.18290这是斯坦福大学在24年7月发布的直接偏好优化 Direct Preference Optimization(DPO)• 直接DPO 就像直接告诉 LLM“ A 比 B 好。多像 A少像 B”它省去了策略更新步骤中的中间环节强化学习中用于策略优化的奖励模型。• 不需要迭代循环利用类似分类的损失——直接使用logits损失函数该函数直接比较两个模型的概率 直接基于人类偏好数据优化 LLM2.4 GRPOGRPO论文https://arxiv.org/pdf/2402.03300这个是DeepSeek在24年8月发布的强化学习的方式Group Relative Policy OptimizationGRPO。GRPO基于PPO旨在简化RLHF训练流程使其速度更快尤其适用于复杂的推理任务。• 去掉了PPO的Value Model更加轻量高效• 核心Group Relative Policy Optimization不再通过分组分数来估算基线从而显著减少训练资源消耗。使用一组由 LLM 生成的针对同一提示的回答来评估每个回答相对于组内其他回答的“优劣” 。三、 基于GSM8K数据集的GRPO的实操3.1 数据准备这里用推荐的GSM8K数学问答的数据集from datasetsimportload_dataset defextract_hash_answer(text):Extract numerical answer from GSM8Kformat(#### marker)if####notin text: returnNonereturntext.split(####)[1].strip()defprocess_dataset_example(example):Convert GSM8K example to conversationformatforGRPO training questionexample[question]answerextract_hash_answer(example[answer])prompt[{role:system,content:system_prompt},{role:user,content:question},]return{prompt:prompt,# Input conversationanswer:answer,# Ground truth for reward functions}defload(): datasetload_dataset(openai/gsm8k,main,splittrain)# Apply conversation formatting to all examplesdatasetdataset.map(process_dataset_example)returndataset3.2 定义奖励机制实施四种互补的奖励函数来评估数学推理的不同方面格式完全匹配结构完全一致近似匹配格式元素部分得分答案正确性数学准确性分级评分数字提取解析和输出数值结果的能力这里举其中第一个例子def match_format_exactly(completions, **kwargs): 完美遵守格式可获得高额奖励3.0 确保模型学习完整的结构化输出模式 scores[]forcompletionincompletions: responsecompletion[0][content]# Check if response matches complete format patternscore3.0ifmatch_format.search(response)is not Noneelse0.0scores.append(score)returnscores3.3 训练训练过程其实和sft很类似都是基于lora进行训练但是唯一差别就是定义了reward function# Configure GRPO training parameters for mathematical reasoningtraining_argsGRPOConfig(learning_rate5e-6,per_device_train_batch_size2,gradient_accumulation_steps8,max_prompt_length1024,max_completion_length1024,max_steps10,logging_steps1,output_dir./trl_grpo_outputs,max_grad_norm0.1,)trainerGRPOTrainer(modelmodel,reward_funcs[match_format_exactly,],argstraining_args,train_datasetdataset,)如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】