当下，RLHF/ChatGPT 已经变成了一个非常流行的话题。我们正在致力于更多有关 RLHF 的研究，这篇博客尝试复现 OpenAI 在 2019 年开源的原始 RLHF 代码库，其仓库位置位于 openai/lm-human-preferences。尽管它具有 “tensorflow-1.x” 的特性，但 OpenAI 的原始代码库评估和基准测试非常完善，使其成为研究 RLHF 实现工程细节的好地方。

我们的目标是:

复现 OAI 在风格化任务中的结果，并匹配 openai/lm-human-preferences 的学习曲线。 提供一个实现细节的清单，类似于 近端优化策略的 37 个实施细节 (The 37 Implementation Details of Proximal Policy Optimization) 和 没有痛苦折磨的调试 RL (Debugging RL, Without the Agonizing Pain) 的风格; 提供一个易于阅读且简洁的 RLHF 参考实现;

这项工作仅适用于以教育/学习为目的的。对于需要更多功能的高级用户，例如使用 PEFT 运行更大的模型， huggingface/trl 将是一个不错的选择。

在 匹配学习曲线 中，我们展示了我们的主要贡献: 创建一个代码库，能够在风格化任务中复现 OAI 的结果，并且与 openai/lm-human-preferences 的学习曲线非常接近地匹配。

然后我们深入探讨了与复现 OAI 的工作相关的实现细节。在 总体实现细节 中，我们讨论了基本细节，像如何生成奖励/值和如何生成响应。在 奖励模型实现细节 中，我们讨论了诸如奖励标准化之类的细节。在 策略训练实现细节 中，我们讨论了拒绝采样和奖励“白化”等细节。

在 PyTorch Adam 优化器在处理 RLHF 时的数值问题 中，我们强调了 TensorFlow 和 PyTorch 之间 Adam 的一个非常有趣的实现区别，其导致了模型训练中的激进更新。

接下来，我们检查了在奖励标签由 gpt2-large 生成的情况下，训练不同基础模型 (例如 gpt2-xl, falcon-1b) 的效果。

最后，我们通过讨论一些限制来总结我们的研究工作。

以下是一些重要链接:

? 我们的复现代码库 https://github.com/vwxyzjn/lm-human-preference-details ? RLHF 模型比较示例: https://huggingface.co/spaces/lm-human-preference-details/rlhf-demo ? 所有的 w&b 训练日志 https://wandb.ai/openrlbenchmark/lm_human_preference_details

匹配学习曲线

我们的主要贡献是在风格化任务中复现 OAI 的结果，例如情感和描述性。如下图所示，我们的代码库 (橙色曲线) 能够产生与 OAI 的代码库 (蓝色曲线) 几乎相同的学习曲线。

关于运行 openai/lm-human-preferences 的说明

为了直观比较，我们运行了原始的 RLHF 代码，其仓库位置位于 openai/lm-human-preferences，它将提供宝贵的指标，以帮助验证和诊断我们的复现。我们能够设置原始的 TensorFlow 1.x 代码，但它需要一个非常特定的设置:

OAI 的数据集部分损坏/丢失 (所以我们用类似的 HF 数据集替换了它们，这可能会或可能不会导致性能差异)

具体来说，它的书籍数据集在 OpenAI 的 GCP – Azure 迁移过程中丢失了 (https://github.com/openai/lm-human-preferences/issues/17#issuecomment-1044051496)。我用 Hugging Face 的 bookcorpus 数据集替换了书籍数据集，原则上，这是类似 OAI 使用的数据集。

它不能在 1 个 V100 上运行，因为它没有实现梯度累积。相反，它使用一个大的 BS (批量大小)，并在 8 个 GPU 上分割 batch (批量)，仅在 1 个 GPU 上就会出现 OOM (内存溢出)。

它不能在 8 个 A100 上运行，因为它使用的是 TensorFlow 1.x，与 Cuda 8+ 不兼容。

它不能在 8 个 V100 (16GB) 上运行，因为它会 OOM (内存溢出)。

它只能在 8 个 V100 (32GB) 上运行，这种配置仅由 AWS 以 p3dn.24xlarge 实例的形式提供。

总体实现细节

我们现在深入探讨与复现 OAI 工作相关的技术实现细节。在这个部分，我们讨论了一些基本细节，例如奖励/值是如何生成的，以及响应是如何生成的。以下是这些细节，不按特定顺序列出:

奖励模型和策略的价值头将 query 和 response 的连接作为输入

奖励模型和策略的价值头 不 仅仅查看响应。相反，它将 query 和 response 连接在一起，作为 query_response (lm_human_preferences/rewards.py#L105-L107)。 举例来说，如果 query = “他在想某事，但他的眼神很难读懂”。 ，和 response = “他看着他的左手，手臂伸在他的前面。” ，那么奖励模型和策略的价值会对query_response = “他在想某事，但他的眼神很难读懂。他看着他的左手，手臂伸在他的前面。” 进行前向传递，并产生形状为 (B, T, 1) 的奖励和价值，其中 B 是 BS (批量大小)，T 是序列长度，而 1 代表奖励头的输出结构的维度为 1 (lm_human_preferences/rewards.py#L105-L107, lm_human_preferences/policy.py#L111)。 T 意味着每个 token 都有与其和前文关联的奖励。例如，eyes token 将有一个与他在想某事，但他的眼神很难读懂 相对应的奖励。

使用特殊的填充 token 来填充和截断输入。

关于 HF 的 transformers — 填充 token 的注解。根据 (transformers#2630#issuecomment-578159876)，在 GPT 和 GPT-2 的预训练期间没有使用填充 token; 因此，transformer 的 gpt2 模型与其分词器没有关联的官方填充 token。通常的做法是设置 tokenizer.pad_token = tokenizer.eos_token ，但在这项工作中，我们将区分这两个特殊 token 以匹配 OAI 的原始设置，所以我们将使用 tokenizer.add_special_tokens({“pad_token”: “[PAD]”}) 。

OAI 为查询 query_length 设置了固定的输入长度; 它使用 pad_token 填充过短的序列 (lm_human_preferences/language/datasets.py#L66-L67)，并截断过长的序列 (lm_human_preferences/language/datasets.py#L57)。详见 此处 以获取该概念的通用介绍。在填充输入时，OAI 使用了词汇表之外的 token (lm_human_preferences/language/encodings.py#L56)。

注意，没有填充 token 是解码器模型的默认设置，因为它们在预训练期间使用“打包”训练，这意味着许多序列被连接并由 EOS token 分隔，这些序列的块在预训练期间始终具有最大长度并被馈送到模型中。

当把所有事物放在一起时，这里有一个例子

import

 transformers

tokenizer = transformers.AutoTokenizer.from_pretrained(“gpt2”, padding_side=“right”

)

tokenizer.add_special_tokens({“pad_token”: “[PAD]”

})

query_length = 5

texts = [

    “usually, he would”

,

    “she thought about it”

,

]

tokens = []

for text in

 texts:

tokens.append(tokenizer.encode(text)[:query_length])

print(“tokens”

, tokens)

inputs = tokenizer.pad(

    {“input_ids”

: tokens},

    padding=“max_length”

,

    max_length=query_length,

    return_tensors=“pt”

,

    return_attention_mask=True

,

)

print(“inputs”

, inputs)

“””prints are

tokens [[23073, 11, 339, 561], [7091, 1807, 546, 340]]

inputs {‘input_ids’: tensor([[23073, 11, 339, 561, 50257],

[ 7091, 1807, 546, 340, 50257]]), ‘attention_mask’: tensor([[1, 1, 1, 1, 0],

        [1, 1, 1, 1, 0]])}

“””

相应地调整填充 token 的位置索引

通常情况下，我们几乎从不在 transformers 中传递 position_ids 。所有的遮蔽 (masking) 和移位 (shifting) logic 已经实现，例如，在 generate 函数中 (需要永久的代码链接)。

在计算 logits 时，OAI 的代码通过适当地屏蔽填充 token 来工作。这是通过找出与填充 token 相对应的 token 索引来实现的 (lm_human_preferences/language/model.py#L296-L297)，然后相应地调整它们的位置索引 (lm_human_preferences/language/model.py#L320)。

例如，如果 query=[23073, 50259, 50259] 和 response=[11, 339, 561] ，其中 ( 50259 是 OAI 的填充 token)，它会创建位置索引为 [[0 1 1 1 2 3]] 并且如下的 logits。注意填充 token 对应的 logits 如何保持不变！这是我们在复制过程中应该追求的效果。

all_logits [[[ -35.28693 -34.2875 -38.16074 … -41.595802 -41.082108    -35.36577

 ]

[ -35.28693 -34.2875 -38.16074 … -41.595802 -41.082108    -35.36577

 ]

[ -35.28693 -34.2875 -38.16074 … -41.595802 -41.082108    -35.36577

 ]

[-111.303955 -110.94471 -112.90624 … -113.13064 -113.7788-109.17345

 ]

[-111.51512 -109.61077 -114.90231 … -118.43514 -111.56671-112.12478

 ]

[-122.69775 -121.84468 -128.27417 … -132.28055 -130.39604-125.707756]]] (1, 6, 50257

)

关于 HF 的 transformers — position_ids 和 padding_side 的注解。我们可以通过 1) 左填充和 2) 传入适当的 position_ids ，使用 Hugging Face 的 transformer 复制精确的 logits:

import

 torch

import

 transformers

tokenizer = transformers.AutoTokenizer.from_pretrained(“gpt2”, padding_side=“right”

)

tokenizer.add_special_tokens({“pad_token”: “[PAD]”

})

pad_id = tokenizer.pad_token_id

query = torch.tensor([

    [pad_id, pad_id, 23073

],

])

response = torch.tensor([

    [11, 339, 561

],

])

temperature = 1.0

query = torch.tensor(query)

response = torch.tensor(response).long()

context_length = query.shape[1

]

query_response = torch.cat((query, response),1

)

pretrained_model = transformers.AutoModelForCausalLM.from_pretrained(“gpt2”

)

def forward(policy, query_responses, tokenizer):

    attention_mask = query_responses != tokenizer.pad_token_id

position_ids = attention_mask.cumsum(1) – attention_mask.long() # exclusive cumsum

input_ids = query_responses.clone()

    input_ids[~attention_mask] = 0    return

 policy(

        input_ids=input_ids,

        attention_mask=attention_mask,

position_ids=position_ids,

        return_dict=True

,

        output_hidden_states=True

,

    )

output = forward(pretrained_model, query_response, tokenizer)

logits = output.logits

logits /= temperature

print(logits)

“””

tensor([[[ -26.9395, -26.4709, -30.0456, …, -33.2208, -33.2884,

        -27.4360],

[ -27.1677, -26.7330, -30.2386, …, -33.6813, -33.6931,

        -27.5928],

        [ -35.2869, -34.2875, -38.1608, …, -41.5958, -41.0821,

        -35.3658],

[-111.3040, -110.9447, -112.9062, …, -113.1306, -113.7788,

        -109.1734],

[-111.5152, -109.6108, -114.9024, …, -118.4352, -111.5668,

        -112.1248],

        [-122.6978, -121.8447, -128.2742, …, -132.2805, -130.3961,

-125.7078]]], grad_fn=)

“””

关于 HF 的 transformers ——在 生成 过程中的 position_ids 的注解:在生成过程中，我们不应传入 position_ids ，因为在 transformers 中， position_ids 已经以某种方式被调整了。当我在生成过程中也传入 position_ids 时，性能会灾难性地恶化。

生成固定长度响应的响应生成不需要填充。

在响应生成期间，OAI 使用 top_k=0, top_p=1.0 并仅在词汇表上做分类样本 (lm_human_preferences/language/sample.py#L43)，代码会一直采样，直到生成固定长度的响应 (lm_human_preferences/policy.py#L103)。值得注意的是，即使遇到 EOS (序列结束) token ，它也会继续采样。

关于 HF 的 transformers 的注解 — 在 eos_token 处采样可能会停止:在 transformers 中，生成可能会在 eos_token 处停止 (src/transformers/generation/utils.py#L2248-L2256)，这与 OAI 的设置不同。为了对齐设置，我们需要设置 pretrained_model.generation_config.eos_token_id = None, pretrained_model.generation_config.pad_token_id = None 。请注意， transformers.GenerationConfig(eos_token_id=None, pad_token_id=None, …) 不起作用，因为 pretrained_model.generation_config 会覆盖并设置一个 eos_token 。

import

 torch

import

 transformers

tokenizer = transformers.AutoTokenizer.from_pretrained(“gpt2”, padding_side=“right”

)

tokenizer.add_special_tokens({“pad_token”: “[PAD]”

})

pad_id = tokenizer.pad_token_id

query = torch.tensor([

    [pad_id, pad_id, 23073

],

])

response = torch.tensor([

    [11, 339, 561

],

])

response_length =4temperature = 0.7pretrained_model = transformers.AutoModelForCausalLM.from_pretrained(“gpt2”

)

pretrained_model.generation_config.eos_token_id =None # disable `pad_token_id` and `eos_token_id` because we just want topretrained_model.generation_config.pad_token_id = None # generate tokens without truncation / padding

generation_config = transformers.GenerationConfig(

    max_new_tokens=response_length,

min_new_tokens=response_length,

    temperature=temperature,

    top_k=0.0

,

    top_p=1.0

,

    do_sample=True

,

)

context_length = query.shape[1

]

attention_mask = query != tokenizer.pad_token_id

input_ids = query.clone()

input_ids[~attention_mask] =0 # set padding tokens to 0

output = pretrained_model.generate(

input_ids=input_ids,

    attention_mask=attention_mask,

    # position_ids=attention_mask.cumsum(1) – attention_mask.long(), # generation collapsed if this was turned on.TODO: why does generation collapse with this?

generation_config=generation_config,

    return_dict_in_generate=True

,

)

print(output.sequences)

“””

tensor([[ 0, 0, 23073, 16851, 11, 475, 991]])

“””

请注意，在较新的代码库 https://github.com/openai/summarize-from-feedback 中，当遇到 EOS token 时，OAI 确实会停止采样 (summarize_from_feedback/utils/experiment_helpers.py#L19)。然而，在这项工作中，我们的目标是进行 1:1 的复刻，所以我们调整了设置，即使遇到 eos_token 也可以继续采样。

奖励模型和策略训练的学习率退火。

正如 Ziegler 等人 (2019) 建议的，奖励模型只训练一个 epcho，以避免过度拟合有限量的人类注释数据 (例如，descriptiveness 任务只有大约 5000 个标签)。在这个单一的 epcho 中，学习率会退火至零 (lm_human_preferences/train_reward.py#L249)。 类似于奖励模型训练，策略训练的学习率也会退火至零 (lm_human_preferences/train_policy.py#L172-L173)。

为不同的进程使用不同的种子

注: 我认为数据集的洗牌 (shuffling) 存在一个错误——由于某种原因，数据集是使用相同的种子进行洗牌的 (lm_human_preferences/lm_tasks.py#L94-L97)。

在生成 8 个 GPU 进程进行数据并行时，OAI 为每个进程设置了不同的随机种子 (lm_human_preferences/utils/core.py#L108-L111)。在实现上，这是通过 local_seed = args.seed + process_rank * 100003 完成的。种子会让模型产生不同的响应并得到不同的分数，例如。

奖励模型实现细节

在本节中，我们讨论了奖励模型特定的实现细节。我们讨论了诸如奖励归一化和层初始化等细节。以下是这些细节，不按特定顺序排列:

奖励模型只输出最后一个 token 的值。

请注意，在对 query 和 response 的连接进行前向传递后获得的奖励将具有形状 (B, T, 1) ，其中 B 是 BS(批量大小)，T 是序列长度 (始终相同; 在 OAI 的设置中，它是 query_length + response_length = 64 + 24 = 88 ，用于风格任务，参见 launch.py#L9-L11)，1 是奖励头其维度为 1。对于 RLHF (Reinforcement Learning from Human Feedback，通过人类反馈进行强化学习) 的目的，原始代码库提取最后一个 token 的奖励 (lm_human_preferences/rewards.py#L132)，因此奖励将只具有形状 (B, 1) 。 请注意，在较新的代码库 openai/summarize-from-feedback 中，OAI 在遇到 EOS token 时停止采样 (summarize_from_feedback/utils/experiment_helpers.py#L19)。在提取奖励时，它将确定 last_response_index ，即 EOS token 之前的索引 (#L11-L13)，并在该索引处提取奖励 (summarize_from_feedback/reward_model.py#L59)。但在此工作中，我们只是坚持原始设置。

奖励头层初始化

奖励头的权重是根据 ( mathcal{N}left(0,1 /left(sqrt{d_{text {model }}+1}right)right) ) 初始化的 (lm_human_preferences/language/model.py#L368, lm_human_preferences/language/model.py#L251-L252)。这与 Stiennon 等人的设置相符，2020 年 (summarize_from_feedback/query_response_model.py#L106-L107) (附注，Stiennon 等人，2020 年在第 17 页上有一个错字，表示分布是 ( mathcal{N}left(0,1 /left(d_{text {model }}+1right)right) ) 没有平方根) 奖励头的 bias (偏置) 设为 0 (lm_human_preferences/language/model.py#L254)。

奖励模型的前后归一化

在论文中，Ziegler 等人 (2019) 提到“为了保持训练过程中奖励模型的规模一致，我们将其归一化，使其在 ( x sim mathcal{D}, y sim rho(·|x) ) 的情况下，均值为 0，方差为 1”。为了执行归一化过程，代码首先创建了 reward_gain 和 reward_bias ，以便可以通过 reward = reward * reward_gain + reward_bias 来计算奖励值 (lm_human_preferences/rewards.py#L50-L51)。

在执行归一化过程时，代码首先设置 reward_gain=1, reward_bias=0 (lm_human_preferences/train_reward.py#L211)，然后从目标数据集 (例如，bookcorpus, tldr, cnndm ) 中收集采样查询、完成的响应和评估的奖励。接着，它得到评估奖励的实证均值和标准差 (lm_human_preferences/train_reward.py#L162-L167)，并尝试计算 reward_gain 和 reward_bias 应该是什么。

我们用( mu_{mathcal{D}} ) 来表示实证均值，用( sigma_{mathcal{D}} ) 表示实证标准差，用(g) 表示 reward_gain ，用(b) 表示 reward_bias ，用( mu_{mathcal{T}} = 0) 表示目标均值，用( sigma_{mathcal{T}}=1) 表示 目标标准差。然后我们有以下公式。

然后在奖励模型训练的 前 和 后应用归一化过程 (lm_human_preferences/train_reward.py#L232-L234，lm_human_preferences/train_reward.py#L252-L254)。

请注意，我们为归一化目的生成的响应 ( y sim rho(·|x) ) 来自预训练的语言模型 (rho )。模型 (rho ) 被固定为参考，并且在奖励学习中不会更新 (lm_human_preferences/train_reward.py#L286C1-L286C31)。

策略训练实现细节

在本节中，我们将深入探讨诸如层初始化、数据后处理和 dropout 设置等细节。我们还将探讨一些技术，如拒绝采样和奖励 “白化”，以及自适应 KL。以下是这些细节，排列不分先后:

通过采样温度来缩放 logits

在计算响应的对数概率时，模型首先输出响应中 token 的 logits，然后用采样温度除以这些 logits (lm_human_preferences/policy.py#L121)。即 logits /= self.temperature 在一个非正式的测试中，我们发现如果不进行此缩放，KL 散度会比预期更快地上升，性能会下降。

价值头层的初始化

价值头的权重是根据 (mathcal{N}(0,0)) 进行初始化的 (lm_human_preferences/language/model.py#L368、lm_human_preferences/language/model.py#L251-L252)。 奖励头的 bias (偏置) 设置为 0 (lm_human_preferences/language/model.py#L254)。

选择以句号开始和结束的查询文本

尝试仅在 start_text=”.” 之后选择文本 (lm_human_preferences/language/datasets.py#L51) 尝试在 end_text=”.” 之前选择文本 (lm_human_preferences/language/datasets.py#L61) 然后填充文本 (lm_human_preferences/language/datasets.py#L66-L67)

这是数据预处理的一部分:

在运行 openai/lm-human-preferences 时，OAI 的数据集部分损坏/丢失 (openai/lm-human-preferences/issues/17#issuecomment-104405149)，因此我们不得不用类似的 HF 数据集替换它们，这可能会或可能不会导致性能差异。

对于书籍数据集，我们使用 https://huggingface.co/datasets/bookcorpus，我们发现没有必要提取以句号开始和结束的句子，因为数据集已经是这样预处理过的 (例如，”usually , he would be tearing around the living room , playing with his toys.” ) 为此，我们为 sentiment 和 descriptiveness 任务设置 start_text=None, end_text=None 。

禁用 dropout

Ziegler 等人 (2019) 建议，“我们在策略训练中不使用 dropout。” 这也在代码中实现了 (lm_human_preferences/policy.py#L48)。

拒绝采样

token 截断: 我们想要在第一个出现在响应的 truncate_after 位置之后的 truncate_token 处截断 (lm_human_preferences/train_policy.py#L378)。

在截断响应上运行奖励模型: 在 token 截断过程将响应截断后，代码然后在 截断的响应 上运行奖励模型。

拒绝采样: 如果在第 16 和 24 个 token 之间没有句号，那么将响应的分数替换为固定的低值 (例如 -1) (lm_human_preferences/train_policy.py#L384、lm_human_preferences/train_policy.py#L384-L402)。

在 descriptiveness 中举一些例子:

从我们的复制中提取的样本 https://wandb.ai/openrlbenchmark/lm_human_preference_details/runs/djf8yymv/logs。请注意，第 1 和第 3 个示例在句号后有太多 token，因此其分数被替换为 -1。

代码注释: “中心示例: 将截断 token 后的所有 token 替换为填充 token” 代码注释: “中心示例: 确保样本包含 truncate_token “ 代码注释: “只对通过该功能的响应进行人类查询” Ziegler 等人 (2019) 建议: “我们使用拒绝采样来确保在第 16 和 24 个 token 之间有一个句号，然后在那个句号处截断 (这是‘句子结束’的粗略近似。我们选择它是因为它很容易集成到 RL 循环中，即使是粗略的近似也足以使人类评估任务变得稍微容易一些)。在 RL 微调期间，我们对没有这样的句号的延续给予固定奖励 -1。” 具体来说，通过以下步骤实现此目的:

折现因子 (discount factor) = 1

折现因子 (gamma) 设置为 1 (lm_human_preferences/train_policy.py#L56)，这意味着未来的奖励与即时奖励具有相同的权重。

训练循环的术语: PPO 中的批次和小批次

OAI 使用以下训练循环 (lm_human_preferences/train_policy.py#L184-L192)。注意: 我们额外添加了 micro_batch_size 来帮助处理梯度累积的情况。在每个时期，它都会洗牌批次索引。

import numpy as

 np

batch_size = 8nminibatches =2gradient_accumulation_steps = 2

mini_batch_size = batch_size // nminibatches

micro_batch_size = mini_batch_size // gradient_accumulation_steps

data = np.arange(batch_size).astype(np.float32)

print(“data:”

, data)

print(“batch_size:”

, batch_size)

print(“mini_batch_size:”

, mini_batch_size)

print(“micro_batch_size:”

, micro_batch_size)

for epoch in range(4

):

    batch_inds = np.random.permutation(batch_size)

print(“epoch:”, epoch, “batch_inds:”

, batch_inds)

    for mini_batch_start in range(0

, batch_size, mini_batch_size):

        mini_batch_end = mini_batch_start + mini_batch_size

mini_batch_inds = batch_inds[mini_batch_start:mini_batch_end]

        # `optimizer.zero_grad()` set optimizer to zero for gradient accumulation        formicro_batch_startin range(0

, mini_batch_size, micro_batch_size):

micro_batch_end = micro_batch_start + micro_batch_size

            micro_batch_inds = mini_batch_inds[micro_batch_start:micro_batch_end]

            print(“____⏩ a forward pass on”

, data[micro_batch_inds])

        # `optimizer.step()`        print(“⏪ a backward pass on”

, data[mini_batch_inds])

# data: [0. 1. 2. 3. 4. 5. 6. 7.]# batch_size: 8# mini_batch_size: 4# micro_batch_size: 2# epoch: 0 batch_inds: [6 4 0 7 3 5 1 2]# ____⏩ a forward pass on [6. 4.]# ____⏩ a forward pass on [0. 7.]# ⏪ a backward pass on [6. 4. 0. 7.]# ____⏩ a forward pass on [3. 5.]# ____⏩ a forward pass on [1. 2.]# ⏪ a backward pass on [3. 5. 1. 2.]# epoch: 1 batch_inds: [6 7 3 2 0 4 5 1]# ____⏩ a forward pass on [6. 7.]# ____⏩ a forward pass on [3. 2.]# ⏪ a backward pass on [6. 7. 3. 2.]# ____⏩ a forward pass on [0. 4.]# ____⏩ a forward pass on [5. 1.]# ⏪ a backward pass on [0. 4. 5. 1.]# epoch: 2 batch_inds: [1 4 5 6 0 7 3 2]# ____⏩ a forward pass on [1. 4.]# ____⏩ a forward pass on [5. 6.]# ⏪ a backward pass on [1. 4. 5. 6.]# ____⏩ a forward pass on [0. 7.]# ____⏩ a forward pass on [3. 2.]# ⏪ a backward pass on [0. 7. 3. 2.]# epoch: 3 batch_inds: [7 2 4 1 3 0 6 5]# ____⏩ a forward pass on [7. 2.]# ____⏩ a forward pass on [4. 1.]# ⏪ a backward pass on [7. 2. 4. 1.]# ____⏩ a forward pass on [3. 0.]# ____⏩ a forward pass on [6. 5.]# ⏪ a backward pass on [3. 0. 6. 5.]

基于每个标记的 KL 惩罚

在第一个 PPO 更新时期和小批次更新时，激活策略将具有相同的对数概率new_logprobs=[-3.3213, -4.9980, -3.8690] 。因此，每个标记的 KL 惩罚将为 kl = new_logprobs – logprobs = [0., 0., 0.] 。 但是，在第一个梯度反向传播后，我们可能会得到 new_logprob=[3.3213, -4.9980, -3.8690] ，因此每个标记的 KL 惩罚变为 kl = new_logprobs – logprobs = [-0.3315, -0.0426, 0.6351] 。 随后，non_score_reward = beta * kl ，其中 beta 是 KL 惩罚系数 (beta)，它被添加到从奖励模型获得的 score 中，以创建用于训练的 rewards 。score 仅在每个回合 ( episode ) 结束时给出，可能类似于 [0.4] ，然后我们有 rewards = [beta * -0.3315, beta * -0.0426, beta * 0.6351 + 0.4] 。

代码为奖励添加了每个标记的 KL 惩罚 (lm_human_preferences/train_policy.py#L150-L153)，以阻止策略与原始策略差异过大。

以 “usually, he would” 为例，它被标记化为 [23073, 11, 339, 561] 。假设我们使用 [23073] 作为查询，[11, 339, 561] 作为响应。然后在默认的 gpt2 参数下，响应标记将具有参考策略的对数概率 logprobs=[-3.3213, -4.9980, -3.8690] 。

每个小批次的奖励和优势白化，可选择均值平移

OAI 实现了一个名为 whiten 的函数，如下所示，基本上通过减去其均值然后除以其标准差来对 values 进行归一化。可选地，whiten 可以通过 shift_mean=True 将白化后的 values 平移到均值。

def whiten(values, shift_mean=True):    mean, var = torch.mean(values), torch.var(values, unbiased=False

)

whitened = (values – mean)* torch.rsqrt(var +1e-8

)

    if not

 shift_mean:

        whitened += mean

    return

 whitened

在每个小批次中，OAI 使用 whiten(rewards, shift_mean=False) 对奖励进行白化，不对均值进行平移处理 (lm_human_preferences/train_policy.py#L325)，并使用平移后的均值对优势进行白化 whiten(advantages) (lm_human_preferences/train_policy.py#L338)。

优化注意事项:如果小批次的数量为一 (在此复现中是这种情况)，我们只需要对奖励进行白化、计算并对优势进行一次白化，因为它们的值不会改变。

TensorFlow vs PyTorch 注意事项:tf.moments 与 torch.var 的不同行为: 由于方差计算方式不同，Torch 和 TensorFlow 中的白化行为不同:

import numpy as

 np

import tensorflow as

 tf

import

 torch

def whiten_tf(values, shift_mean=True):

    mean, var

 = tf.nn.moments(values, axes=list(range(values.shape.rank)))

mean = tf.Print(mean, [mean],‘mean’, summarize=100

)

    var = tf.Print(var, [var], ‘var’, summarize=100

)

whitened = (values – mean)* tf.rsqrt(var + 1e-8

)

    if

 not shift_mean:

        whitened += mean

    return

 whitened

def whiten_pt(values, shift_mean=True, unbiased=True):

    mean, var

 = torch.mean(values), torch.var(values, unbiased=unbiased)

print(“mean”

, mean)

    print(“var”, var

)

    whitened = (values – mean)* torch.rsqrt(var + 1e-8

)

    if

 not shift_mean:

whitened += mean

    return

 whitened

rewards = np.array([

    [1.2, 1.3, 1.4

],

    [1.5, 1.6, 1.7

],

    [1.8, 1.9, 2.0

],

])

withtf.Session()as

 sess:

print(sess.run(whiten_tf(tf.constant(rewards, dtype=tf.float32), shift_mean=False)))

    print(whiten_pt(torch.tensor(rewards), shift_mean=False, unbiased=True))

print(whiten_pt(torch.tensor(rewards), shift_mean=False, unbiased=False))

mean[1.5999999

]

var[0.0666666627

]

[[0.05080712 0.4381051 0.8254035

 ]

[1.2127019 1.6000004 1.9872988

 ]

[2.3745968 2.7618952 3.1491938

 ]]

mean tensor(1.6000

, dtype=torch.float64)

var tensor(0.0750

, dtype=torch.float64)

tensor([[0.1394, 0.5046, 0.8697

],

        [1.2349, 1.6000, 1.9651

],

[2.3303, 2.6954, 3.0606

]], dtype=torch.float64)

mean tensor(1.6000

, dtype=torch.float64)

var tensor(0.0667

, dtype=torch.float64)

tensor([[0.0508, 0.4381, 0.8254

],

        [1.2127, 1.6000, 1.9873

],

        [2.3746, 2.7619, 3.1492

]], dtype=torch.float64)

裁剪值函数

与原始的 PPO 一样 (baselines/ppo2/model.py#L68-L75)，值函数被裁剪 (lm_human_preferences/train_policy.py#L343-L348)，方式与策略目标类似。

自适应 KL 散度

KL 散度惩罚系数 (beta) 根据当前策略与先前策略之间的 KL 散度自适应修改。如果 KL 散度超出预定的目标范围，则调整惩罚系数以使其更接近目标范围 (lm_human_preferences/train_policy.py#L115-L124)。它的实现如下:

class AdaptiveKLController:    def __init__(self, init_kl_coef, hparams):

        self.value = init_kl_coef

        self.hparams = hparams

    def update(self, current, n_steps):

        target = self.hparams.target

proportional_error = np.clip(current / target –1, -0.2, 0.2

)

        mult = 1

 + proportional_error * n_steps / self.hparams.horizon

        self.value *= mult

对于本工作中研究的 sentiment 和 descriptiveness 任务，我们使用了 init_kl_coef=0.15, hparams.target=6, hparams.horizon=10000 。

PyTorch Adam 优化器与 RLHF 相关的数值问题

这个实现细节非常有趣，值得专门一节来讨论。

PyTorch 的 Adam 优化器 (torch.optim.Adam.html) 与 TensorFlow 的 Adam 优化器 (TF1 Adam 在 tensorflow/v1.15.2/adam.py，TF2 Adam 在 keras/adam.py#L26-L220) 有不同的实现方式。具体来说，PyTorch 遵循了 Kingma 和 Ba 的 Adam 论文中的算法 1 (arxiv/1412.6980)，而 TensorFlow 使用了该论文第 2.1 节前的公式，这里提到的 epsilon 在论文中称为 epsilon hat 。在伪代码比较中，我们有以下内容:

### pytorch adam implementation:bias_correction1 = 1

– beta1 ** step

bias_correction2 = 1

 – beta2 ** step

step_size = lr / bias_correction1

bias_correction2_sqrt = _dispatch_sqrt(bias_correction2)

denom = (exp_avg_sq.sqrt() / bias_correction2_sqrt).add_(eps)

param.addcdiv_(exp_avg, denom, value=-step_size)

### tensorflow adam implementation:lr_t = lr * _dispatch_sqrt((1 – beta2 ** step)) / (1

 – beta1 ** step)

denom = exp_avg_sq.sqrt().add_(eps)

param.addcdiv_(exp_avg, denom, value=-lr_t)

让我们比较一下 PyTorch 风格和 TensorFlow 风格 Adam 的更新方程。按照 Adam 论文 (Kingma 和 Ba，2014) 的符号表示，我们可以得到 PyTorch Adam (Kingma 和 Ba 论文的算法 1) 和 TensorFlow 风格 Adam (Kingma 和 Ba 论文第 2.1 节前的公式) 的梯度更新规则如下:

上面的方程强调了 PyTorch 和 TensorFlow 实现之间的区别在于它们的 归一化项，即 (color{green}{varepsilon sqrt{1-beta_2^t}}) 和  (color{green}{hat{varepsilon}})。如果我们设置 (hat{varepsilon} = varepsilon sqrt{1-beta_2^t})，则这两个版本是等价的。然而，在 PyTorch 和 TensorFlow 的 API 中，我们只能通过 eps 参数设置 (varepsilon) (PyTorch) 和  (hat{varepsilon}) (TensorFlow)，从而导致它们的更新方程存在差异。如果我们将 (varepsilon) 和  (hat{varepsilon}) 都设置为相同的值，比如 1e-5 会发生什么？那么对于 TensorFlow Adam，归一化项 (hat{varepsilon} = text{1e-5}) 就是一个常数。但对于 PyTorch Adam，归一化项 ({varepsilon sqrt{1-beta_2^t}}) 随着时间的推移而变化。重要的是，当时间步 (t) 较小时，该项 ({varepsilon sqrt{1-beta_2^t}}) 明显小于 1e-5，随着时间步增加，逐渐接近 1e-5。下面的图表比较了这两个归一化项随着时间步的变化情况:

norma_const_comparison.png

上图显示，如果我们在 PyTorch Adam 和 TensorFlow Adam 中设置相同的 eps ，那么在训练的早期阶段，PyTorch Adam 使用的归一化项要比 TensorFlow Adam 小得多。换句话说，PyTorch Adam 在训练的早期采用了更激进的梯度更新。我们的实验证明了这一发现，如下所示。

这对复现性和性能有何影响？为了保持设置一致，我们记录了来自 https://github.com/openai/lm-human-preferences 的原始查询、响应和奖励，并将它们保存在 https://huggingface.co/datasets/vwxyzjn/lm-human-preferences-debug/tree/main 中。我还记录了使用 TF1 的 AdamOptimizer 优化器的前两个训练周期的指标作为基准。以下是一些关键指标:

OAI 的 TF1 Adam PyTorch 的 Adam 我们自定义的类似 TensorFlow 风格的 Adam policy/approxkl 0.00037167023 0.0023672834504395723 0.000374998344341293 policy/clipfrac 0.0045572915 0.02018229104578495 0.0052083334885537624 ratio_mean 1.0051285 1.0105520486831665 1.0044583082199097 ratio_var 0.0007716546 0.005374275613576174 0.0007942612282931805 ratio_max 1.227216 1.8121057748794556 1.250215768814087 ratio_min 0.7400441 0.4011387825012207 0.7299948930740356 logprob_diff_mean 0.0047487603 0.008101251907646656 0.004073789343237877 logprob_diff_var 0.0007207897 0.004668936599045992 0.0007334011606872082 logprob_diff_max 0.20474821 0.594489574432373 0.22331619262695312 logprob_diff_min -0.30104542 -0.9134478569030762 -0.31471776962280273

由于某种原因， PyTorch 的 Adam 生成了更激进的更新。以下是一些证据:

PyTorch 的 Adam 的 logprob_diff_var 高出 6 倍。这里的 logprobs_diff = new_logprobs – logprobs 是经过两个训练周期后，初始策略和当前策略之间的标记对数概率差异。具有更大的 logprob_diff_var 意味着对数概率变化的幅度比 OAI 的 TF1 Adam 大。PyTorch 的 Adam 呈现更极端的最大和最小比率。这里的 ratio = torch.exp(logprobs_diff) 。具有 ratio_max=1.8121057748794556 意味着对于某些标记，在当前策略下抽取该标记的概率要比 OAI 的 TF1 Adam 高 1.8 倍，而后者仅为 1.2 倍。 **更大的 policy/approxkl 和 policy/clipfrac**。由于激进的更新，比率被剪切的次数多 4.4 倍，近似的 KL 散度大 6 倍。 这种激进的更新可能会导致进一步的问题。例如，PyTorch 的 Adam 中的logprob_diff_mean 要大 1.7 倍，这将对下一个奖励计算中的 KL 惩罚产生 1.7 倍大的影响; 这可能会被累积。实际上，这可能与著名的 KL 散度问题有关—— KL 惩罚远大于它应该的值，模型可能会更多地关注它并进行更多优化，从而导致负的 KL 散度。

更大的模型受到更多影响。我们进行了一些实验，比较了 PyTorch 的 Adam (代号 pt_adam ) 和我们自定义的类似 TensorFlow 风格的 Adam (代号 tf_adam ) 在 gpt2 和 gpt2-xl 上的性能。我们发现在 gpt2 下性能大致相似; 但是在 gpt2-xl 下，我们观察到了更激进的更新，这意味着更大的模型受到了更多的影响。

adam_gpt2.pngadam_gpt2_xl.png 当在 gpt2-xl 中初始策略更新更为激进时，训练动态会受到影响。例如，我们发现使用 pt_adam 时，sentiment 的 objective/kl 和 objective/scores 峰值要大得多， 在其中一个随机种子中，最大的 KL 值达到了 17.5 ，这表明了不希望的过度优化。 此外，由于 KL 更大，许多其他训练指标也受到影响。例如，我们观察到更大的 clipfrac (ratio 被 PPO 的目标裁剪系数 0.2 裁剪的时间比例) 和 approxkl 。

局限性

注意到这项工作没有尝试复现 CNN DM 中的摘要工作。这是因为我们发现训练耗时且不稳定。

我们的特定训练运行显示 GPU 利用率较低 (约 30%)，因此一个训练运行需要近 4 天的时间，这非常昂贵 (只有 AWS 销售 p3dn.24xlarge，每小时费用为 31.212 美元)。

此外，训练也很不稳定。虽然奖励值上升，但我们发现难以复现 Ziegler 等人 (2019 年) 报告的“智能复制”行为。以下是一些样本输出 — 显然，智能体出现了某种程度的过拟合。请查看 https://wandb.ai/openrlbenchmark/lm-human-preferences/runs/1ab47rqi/logs 以获取更完整的日志。

tldr1.png tldr2.png

总结

在这项工作中，我们深入研究了 OpenAI 的原始 RLHF (Reinforcement Learning from Human Feedback) 代码库，并编制了其实施细节的列表。我们还创建了一个最小的基础版本，当数据集和超参数受控制时，可以复现与 OpenAI 原始 RLHF 代码库相同的学习曲线。此外，我们还识别了一些令人惊讶的实施细节，比如 Adam 优化器的设置，它会导致在 RLHF 训练的早期出现激进的更新。

致谢

这项工作得到了 Hugging Face 的 Big Science 集群的支持 ?。我们还感谢 @lewtun 和 @natolambert 的建设性讨论。

Bibtex

@article{Huang2023implementation,

author = {Huang, Shengyi and Liu, Tianlin and von Werra, Leandro},

title = {The N Implementation Details of RLHF with PPO},

journal = {Hugging Face Blog},

year = {2023},

note = {https://huggingface.co/blog/the_n_implementation_details_of_rlhf_with_ppo},

}

? 宝子们可以戳 阅读原文 查看文中所有的外部链接哟！

英文原文: https://hf.co/blog/the_n_implementation_details_of_rlhf_with_ppo

原文作者: Shengyi Costa Huang, Tianlin Liu, Leandro von We

译者: innovation64

审校/排版: zhongdongy (阿东)