企业官网建设流程全解析

铆钉机 东莞网站建设,柳州住房和城乡建设部网站,天堂w区服选择,曲靖网站制作公司虽然大规模无监督语言模型能够学习广泛的世界知识#xff0c;并拥有一些推理能力#xff0c;但由于其训练的完全无监督性质#xff0c;精确控制其行为是相对来说还是很困难的。而要想去实现这种精准控制#xff0c;可以使用人类反馈强化学习#xff0c;其简称为RLHF#…虽然大规模无监督语言模型能够学习广泛的世界知识并拥有一些推理能力但由于其训练的完全无监督性质精确控制其行为是相对来说还是很困难的。而要想去实现这种精准控制可以使用人类反馈强化学习其简称为RLHF是通过收集高质量的人工打标签的数据并使用无监督微调训练来进行偏好一致对齐。然而强化学习是一个复杂且不稳定的训练过程其过程表现为首先我们要先拟合一个反映人类偏好的奖励模型然后使用强化学习对大规模无监督LM进行微调以最大化这个估计的奖励同时又不偏离原始模型太远(RLHF原理)具体第二张下图所示展示了RLHF的训练步骤 或者说是阶段吧。既然有了PPO为啥还要有DPO呢既生瑜何生亮可以看下图答案不着急后面也会讲解PPO以及其劣势从而引出DPO的存在。强化学习(RLHF)openai在InstructGPT的技术报告指出ChatGPT使用RLHF的 三步走策略即监督微调(SFT)、偏好采样和奖励学习(RM)、强化学习(PPO)对应了上图中三个训练阶段现在我们来对这三个简单讲解下。监督微调(SFT): 首先在下游感兴趣的任务使用高质量数据对话、摘要等和监督学习对预训练的 LM 进行微调以获得一个模型(sft模型) 。偏好采样和奖励学习(RM): 使用提示词方法来生成偏好数据对(注意第一阶段微调后的sft模型那什么是偏好数据对呢可以看这个数据示例。{ conversations: [ { from: human, #人类指令 value: 老虎会吃哪一个草还是树叶 } ], chosen: { from: gpt, #优质回答 value: 我很高兴能帮助你解答问题不过我必须指出这个问题本身可能没有意义。老虎是食肉动物通常不吃草或树叶。它们的饮食主要包括大型有蹄动物、小型哺乳动物和鸟类。\n\n如果你提出这个问题是出于好奇或有特定原因我很乐意帮助你找到更多关于老虎饮食习惯的信息或者建议资源让你更多了解这些壮丽的生物。请告诉我如何进一步协助你 }, rejected: { from: gpt, # 劣质回答 value: 一只老虎是食肉动物这意味着它的饮食主要是肉类。老虎主要猎捕和吃其他动物如鹿和野猪。它们不会选择吃草或树叶因为这些不是它们自然饮食的一部分。 } }强化学习(PPO)RLHF训练过程主要有四个模型参与分别是Actor Model 、Reference Model、Reward Model、Critic Model他们在整个过程的角色如下Actor Model动作模型需要优化的语言模型负责生成实际的文本回答参数会在训练过程中不断更新。Reference Model参考模型Actor Model 的初始副本参数固定不变用于计算 KL 散度防止 Actor 与初始模型偏离太远。Reward Model奖励模型经过人类偏好训练的评分模型为 Actor 生成的文本提供奖励信号指导 Actor 向更好的方向优化。Critic Model评论模型估计价值函数预测动作的长期收益帮助 PPO 算法更好地优化 Actor。四个模型之前具体的协作这里就不做详细介绍毕竟写的是DPO详解啊。都知道PPO很好为啥还要出来DPO呢这是因为很多工程人员发现PPO很难训练总结具体如下1奖励模型RM的准确率较低在现有的偏好数据上只能训到70%80%。这一方面是因为人类偏好较难拟合另一方面是因为奖励模型一般较小过大的奖励模型会引起PPO阶段训练的崩溃2PPO训练不稳定相同的参数和数据也有可能出现不一样的结果3PPO阶段训练成本大。这是因为策略模型的更新依赖于奖励模型的显式反馈所以每个训练step耗时长、GPU消耗大。说白了就是PPO很难训练并且消耗很大看看上面的图就知道四个模型都要参与这谁顶得住啊正因为这些原因斯坦福大学研究者提出了DPO从理论上消除了奖励模型RM和与之相关的RL环节直接采用二元偏好数据对LLMs进行参数更新。DPO理论理解之前我们说使用sft模型来生成偏好数据对然后RM模型来进行评分并给出对应的奖励让actor model来自适应调整。而DPO就是从理论来消除RM模型的存在咱们就从Bradley-Terry模型开始(因为论文也是从这个模型开始的哈哈)BT模型规定了人类偏好分布可以表示为看着是不是好像也挺简单的其实这个式子还可以简化。针对静态数据集D上面的奖励模型通过对数极大似然估计可以表示为数据集对数似然估计损失表示是的通用损失函数数学表达式其实已经出来了但是DPO其实是PPO的一个简化版所以需要从PPO的损失来简化(DPO其实就是PPO的钙化版、或者说是简化版)直到推导出DPO的损失函数表达式所以针对用于PPO的损失上式可以优化为针对PPO而言KL散度很重要这是为啥因为KL散度就表示Reference Model(参考模型) 和自己训练的Actor Model 有没有跑偏。大白话就是这个训练就是让actor model训练但是我也要拽着你不然你偏离 reference model太远如果太远就训飞了。因此针对KL散度优化上面的式子可以进行推导为进一步简化其中Z(x)表示为然后经过一顿数学操作和优化得到了最后的loss其中 πθ是正在训练的模型 πref是参考模型通常是 SFT 模型yw是首选获胜的答案yl是被拒绝输掉的反应β是控制优化强度的温度参数σ是 sigmoid函数。一开始看这些式子是不是挺容易的但是后面的数学变换和优化操作下来看懵了但是不要紧你就记住最后这个式子就行因为DPO的损失优化就是通过这个式子来的。DPO代码片段损失函数代码def preference_loss(policy_chosen_logps: torch.FloatTensor, policy_rejected_logps: torch.FloatTensor, reference_chosen_logps: torch.FloatTensor, reference_rejected_logps: torch.FloatTensor, beta: float, label_smoothing: float 0.0, ipo: bool False, reference_free: bool False) - Tuple[torch.FloatTensor, torch.FloatTensor, torch.FloatTensor]: Compute the DPO loss for a batch of policy and reference model log probabilities. Args: policy_chosen_logps: Log probabilities of the policy model for the chosen responses. Shape: (batch_size,) policy_rejected_logps: Log probabilities of the policy model for the rejected responses. Shape: (batch_size,) reference_chosen_logps: Log probabilities of the reference model for the chosen responses. Shape: (batch_size,) reference_rejected_logps: Log probabilities of the reference model for the rejected responses. Shape: (batch_size,) beta: Temperature parameter for the DPO loss, typically something in the range of 0.1 to 0.5. We ignore the reference model as beta - 0. label_smoothing: conservativeness for DPO loss, which assumes that preferences are noisy (flipped with probability label_smoothing) ipo: If True, use the IPO loss instead of the DPO loss. reference_free: If True, we ignore the _provided_ reference model and implicitly use a reference model that assigns equal probability to all responses. Returns: A tuple of three tensors: (losses, chosen_rewards, rejected_rewards). The losses tensor contains the DPO loss for each example in the batch. The chosen_rewards and rejected_rewards tensors contain the rewards for the chosen and rejected responses, respectively. pi_logratios policy_chosen_logps - policy_rejected_logps ref_logratios reference_chosen_logps - reference_rejected_logps if reference_free: ref_logratios 0 logits pi_logratios - ref_logratios # also known as h_{\pi_\theta}^{y_w,y_l} if ipo: losses (logits - 1/(2 * beta)) ** 2 # Eq. 17 of https://arxiv.org/pdf/2310.12036v2.pdf else: # Eq. 3 https://ericmitchell.ai/cdpo.pdf; label_smoothing0 gives original DPO (Eq. 7 of https://arxiv.org/pdf/2305.18290.pdf) losses -F.logsigmoid(beta * logits) * (1 - label_smoothing) - F.logsigmoid(-beta * logits) * label_smoothing chosen_rewards beta * (policy_chosen_logps - reference_chosen_logps).detach() rejected_rewards beta * (policy_rejected_logps - reference_rejected_logps).detach() return losses, chosen_rewards, rejected_rewards可以看看第26、27、32、35行这几行都是DPO核心也完全按照这篇DPO论文来实现的。为了方便整合在一起看就是losses (((policy_chosen_logps - policy_rejected_logps) - (reference_chosen_logps - reference_rejected_logps)) - 1/(2 * beta)) ** 2DPO训练案例下列代码使用了TRL库来进行微调训练方式也比较简单目的就是打造人人可学大模型哈哈。from trl import DPOConfig, DPOTrainer from transformers import AutoModelForCausalLM, AutoTokenizer from datasets import load_dataset # 加载 model and tokenizer model AutoModelForCausalLM.from_pretrained(HuggingFaceTB/SmolLM3-3B) tokenizer AutoTokenizer.from_pretrained(HuggingFaceTB/SmolLM3-3B) # 配置 DPO training training_args DPOConfig( beta0.1, # Temperature parameter learning_rate5e-7, # Lower LR for stability max_prompt_length512, # Maximum prompt length max_length1024, # Maximum total length per_device_train_batch_size4, gradient_accumulation_steps4, num_train_epochs1, ) # 加载数据集 preference_dataset load_dataset(argilla/ultrafeedback-binarized, splittrain_prefs) # 初始化DPO trainer DPOTrainer( modelmodel, argstraining_args, train_datasetpreference_dataset, processing_classtokenizer, ) # 训练 trainer.train()这一套是完全可以使用的如果你有自己的数据集只需要将数据集改成自己的数据集即可。​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​