InstructGPT原理讲解及ChatGPT类开源项目

news/2024/5/2 5:50:37/文章来源:https://blog.csdn.net/qq_36426650/article/details/130381131

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：
在这里插入图片描述

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：
$loss(\theta) = -\frac{1}{K\choose 2}E_{(x, y_w, y_l)\sim D[\log(\sigma(r_{\theta}(x, y_w) - r_{\theta}(x, y_l)))]}$

$r_{\theta}$ 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。

$objective(\phi) = E_{(x, y)\sim D_{\pi_{\phi}^{RL}}}[r_{\theta}(x, y) - \beta\log(\pi_{\phi}^{RL}(y|x)/\pi^{SFT}(y|x))] + \gamma E_{x\sim D_{pretrain}}[\log(\pi_{\phi}^{RL}(x))]$
初始化时 $\pi_{\phi}^{RL}=\pi^{SFT}$
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 $\pi_{\phi}^{RL}$ 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 $\pi_{\phi}^{RL}$ 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 $\pi_{\phi}^{RL}$ 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

在这里插入图片描述
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：

提高了对话类任务的占比；
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：
在这里插入图片描述
（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：

名称	项目地址	基础模型	训练方法/数据集
Alpaca	https://github.com/tatsu-lab/stanford_alpaca	LLaMA	Alpaca
ChatGLM	https://github.com/THUDM/ChatGLM-6B	GLM	自定义数据集(1T)
Dolly	https://github.com/databrickslabs/dolly	GPT-J 6B	Alpaca
BELLE	https://github.com/LianjiaTech/BELLE	BLOOM	Alpaca转中文+自定义数据集(0.5 ~ 2M)
OpenChatKit	https://github.com/togethercomputer/OpenChatKit	GPT-NEOX/Pythia	OIG-43M
FastChat/Vicuna	https://github.com/lm-sys/FastChat	LLaMA shareGPT(70k)
gpt4all	https://github.com/nomic-ai/gpt4all	LLaMA	自定义数据集(800k)
lit-llama	https://github.com/Lightning-AI/lit-llama Lit-LLaMA	Alpaca
HugNLP	https://github.com/wjn1996/HugNLP	GPT / OPT / LLaMA	中文3M，英文1.5M