LlamaFactory源码解析 PPO
class CustomPPOTrainer(PPOTrainer, Trainer):r"""
Inherits PPOTrainer.
"""
def __init__(
self,
model_args: "ModelArguments",
training_args: "Seq2SeqTrainingArguments",
finetuning_args: "FinetuningArguments",
generating_args: "GeneratingArguments",
callbacks: List["TrainerCallback"],
model: "AutoModelForCausalLMWithValueHead",
reward_model: Optional["AutoModelForCausalLMWithValueHead"],
ref_model: Optional["AutoModelForCausalLMWithValueHead"],
tokenizer: "PreTrainedTokenizer",
dataset: "Dataset",
data_collator: "DataCollatorWithPadding",
):
backward_batch_size = training_args.per_device_train_batch_size * training_args.gradient_accumulation_steps
ppo_config = PPOConfig(
model_name=model_args.model_name_or_path,
learning_rate=training_args.learning_rate,
mini_batch_size=training_args.per_device_train_batch_size,
batch_size=backward_batch_size * finetuning_args.ppo_buffer_size,
gradient_accumulation_steps=training_args.gradient_accumulation_steps,
ppo_epochs=finetuning_args.ppo_epochs,
max_grad_norm=training_args.max_grad_norm,
seed=training_args.seed,
optimize_device_cache=True,
target=finetuning_args.ppo_target,
use_score_scaling=finetuning_args.ppo_score_norm,
use_score_norm=finetuning_args.ppo_score_norm,
whiten_rewards=finetuning_args.ppo_whiten_rewards,
accelerator_kwargs={"step_scheduler_with_optimizer": False},
log_with=training_args.report_to if training_args.report_to else None,
project_kwargs={"logging_dir": training_args.logging_dir},
)
# Create optimizer and scheduler
if training_args.max_steps > 0:
num_training_steps = training_args.max_steps
else:
total_train_batch_size = backward_batch_size * finetuning_args.ppo_buffer_size * training_args.world_size
num_training_steps = training_args.num_train_epochs * math.ceil(len(dataset) / total_train_batch_size)
optimizer = self.create_optimizer(model, training_args, finetuning_args)
scheduler = self.create_scheduler(training_args, num_training_steps, optimizer)
PPOTrainer.__init__(
self,
config=ppo_config,
model=model,
ref_model=ref_model,
tokenizer=tokenizer,
dataset=dataset,
data_collator=data_collator,
lr_scheduler=scheduler,
)
self.args = training_args
self.model_args = model_args
self.finetuning_args = finetuning_args
self.reward_model = reward_model
self.current_device = get_current_device()# patch for deepspeed training
self.generation_config = GenerationConfig(
pad_token_id=self.tokenizer.pad_token_id,
eos_token_id= + self.tokenizer.additional_special_tokens_ids,
**generating_args.to_dict(),
)
self.state = TrainerState()
self.control = TrainerControl()
self.is_deepspeed_enabled = self.accelerator.distributed_type == "DEEPSPEED" and hasattr(
self.accelerator.state, "deepspeed_plugin"
)
self.log_callback, self.save_callback = callbacks, callbacks
assert isinstance(self.log_callback, LogCallback) and isinstance(self.save_callback, FixValueHeadModelCallback)
if self.args.max_steps > 0:
logger.info("max_steps is given, it will override any value given in num_train_epochs")
if finetuning_args.reward_model_type == "full":
if self.is_deepspeed_enabled:
if not (
getattr(reward_model.pretrained_model, "is_loaded_in_8bit", False)
or getattr(reward_model.pretrained_model, "is_loaded_in_4bit", False)
)
:# quantized models are already set on the correct device
self.reward_model = self._prepare_deepspeed(self.reward_model)
else:
self.reward_model = self.accelerator.prepare_model(self.reward_model, evaluation_mode=True)
if finetuning_args.use_badam:
from badam import clip_grad_norm_for_sparse_tensor
self.accelerator.clip_grad_norm_ = MethodType(clip_grad_norm_for_sparse_tensor, self.accelerator)
下面是对代码中每一行的逐行表明:
python
复制
class CustomPPOTrainer(PPOTrainer, Trainer):
定义一个名为 CustomPPOTrainer 的类,继承自 PPOTrainer 和 Trainer 这两个类。
python
复制
r"""
Inherits PPOTrainer.
"""
文档字符串,说明这个类继承自 PPOTrainer。
python
复制
def __init__(
self,
定义 CustomPPOTrainer 类的构造函数。
python
复制
model_args: "ModelArguments",
构造函数的参数之一,model_args,代表模型的参数。
python
复制
training_args: "Seq2SeqTrainingArguments",
构造函数的参数之一,training_args,代表练习相关的参数。
finetuning_args: "FinetuningArguments",
构造函数的参数之一,finetuning_args,代表微调相关的参数。
python
复制
generating_args: "GeneratingArguments",
构造函数的参数之一,generating_args,代表生成相关的参数。
python
复制
callbacks: List["TrainerCallback"],
构造函数的参数之一,callbacks,是一个包罗 TrainerCallback 对象的列表,用于处理练习过程中的各种事件。
python
复制
model: "AutoModelForCausalLMWithValueHead",
构造函数的参数之一,model,代表带有价值头的因果语言模型。
python
复制
reward_model: Optional["AutoModelForCausalLMWithValueHead"],
构造函数的参数之一,reward_model,可选,代表用于盘算嘉奖的模型。
python
复制
ref_model: Optional["AutoModelForCausalLMWithValueHead"],
构造函数的参数之一,ref_model,可选,代表参考模型,可能用于对比或其他目标。
python
复制
tokenizer: "PreTrainedTokenizer",
构造函数的参数之一,tokenizer,代表预练习的分词器。
python
复制
dataset: "Dataset",
构造函数的参数之一,dataset,代表用于练习的数据集。
python
复制
data_collator: "DataCollatorWithPadding",
构造函数的参数之一,data_collator,用于处理数据批次,通常包括填充等操作。
python
复制
backward_batch_size = training_args.per_device_train_batch_size * training_args.gradient_accumulation_steps
盘算每个设备上的反向传播批量大小,乘以梯度累积步数。
python
复制
ppo_config = PPOConfig(
创建一个 PPOConfig 配置对象,用于配置 PPO 练习。
python
复制
model_name=model_args.model_name_or_path,
配置模型名称或路径。
python
复制
learning_rate=training_args.learning_rate,
配置学习率。
python
复制
mini_batch_size=training_args.per_device_train_batch_size,
配置小批量大小。
python
复制
batch_size=backward_batch_size * finetuning_args.ppo_buffer_size,
配置团体批量大小,为反向批量大小乘以 PPO 缓冲区大小。
python
复制
gradient_accumulation_steps=training_args.gradient_accumulation_steps,
配置梯度累积步数。
python
复制
ppo_epochs=finetuning_args.ppo_epochs,
配置 PPO 练习的迭代次数。
python
复制
max_grad_norm=training_args.max_grad_norm,
配置梯度裁剪的最大范数。
python
复制
seed=training_args.seed,
配置随机种子。
python
复制
optimize_device_cache=True,
启用设备缓存优化。
python
复制
target=finetuning_args.ppo_target,
配置 PPO 练习的目标。
python
复制
use_score_scaling=finetuning_args.ppo_score_norm,
配置是否利用分数缩放。
python
复制
use_score_norm=finetuning_args.ppo_score_norm,
```python
whiten_rewards=finetuning_args.ppo_whiten_rewards,
配置是否对嘉奖举行白化处理,以淘汰嘉奖的方差和偏差。
python
复制
accelerator_kwargs={"step_scheduler_with_optimizer": False},
配置加快器的参数,此处设置 step_scheduler_with_optimizer 为 False。
python
复制
log_with=training_args.report_to if training_args.report_to else None,
配置日记记载方式,如果 training_args.report_to 存在,则利用列表中的第一个元素,否则不记载。
python
复制
project_kwargs={"logging_dir": training_args.logging_dir},
设置项目相关的关键参数,此处设置日记目录。
python
复制
)
竣事 PPOConfig 的构造。
python
复制
# Create optimizer and scheduler
注释,说明下面的代码块是用来创建优化器和调理器的。
python
复制
if training_args.max_steps > 0:
如果 training_args.max_steps 大于0,利用这个值来设置练习步数。
python
复制
num_training_steps = training_args.max_steps
将练习步数设置为 max_steps。
python
复制
else:
如果 max_steps 没有设置,则盘算练习步数。
python
复制
total_train_batch_size = backward_batch_size * finetuning_args.ppo_buffer_size * training_args.world_size
盘算总的练习批量大小。
python
复制
num_training_steps = training_args.num_train_epochs * math.ceil(len(dataset) / total_train_batch_size)
根据数据集的大小、批量大小和练习周期数盘算总的练习步数。
python
复制
optimizer = self.create_optimizer(model, training_args, finetuning_args)
创建优化器。
python
复制
scheduler = self.create_scheduler(training_args, num_training_steps, optimizer)
创建调理器,用来调解优化器的学习率。
python
复制
PPOTrainer.__init__(
调用 PPOTrainer 类的构造器初始化。
python
复制
self,
转达自身实例。
python
复制
config=ppo_config,
转达 PPO 配置。
python
复制
model=model,
转达模型。
python
复制
ref_model=ref_model,
转达参考模型。
python
复制
tokenizer=tokenizer,
转达分词器。
python
复制
dataset=dataset,
转达数据集。
python
复制
data_collator=data_collator,
转达数据整理器。
python
复制
lr_scheduler=scheduler,
转达学习率调理器。
python
复制
)
竣事 PPOTrainer 的构造函数调用。
python
复制
self.args = training_args
将练习参数保存到实例变量 args。
python
复制
self.model_args = model_args
将模型参数保存到实例变量 model_args。
python
复制
self.finetuning_args = finetuning_args
将微调参数保存到实例变量 finetuning_args。
python
复制
self.reward_model = reward_model
将嘉奖模型保存到实例变量 reward_model。
python
复制
self.current_device = get_current_device()# patch for deepspeed training
获取当前设备,用于支持 DeepSpeed 练习。
python
复制
self.generation_config = GenerationConfig(
创建生成配置。
python
复制
pad_token_id=self.tokenizer.pad_token_id,
设置填充符号的 ID。
python
复制
eos_token_id= + self.tokenizer.additional_special_tokens_ids,
设置竣事符号的 ID 列表,包括 EOS 和其他特殊符号。
python
复制
**generating_args.to_dict(),
将生成参数转换为字典,并睁开到配置中。
python
复制
)
竣事生成配置的创建。
python
复制
self.state = TrainerState()
创建练习状态对象。
python
复制
self.control = TrainerControl()
创建练习控制对象。
很高兴你对上述 CustomPPOTrainer 类的详细表明感兴趣。下面,我将提供更多关于这个类的功能、用途以及它在机器学习和天然语言处理领域中的潜在应用的信息。
功能和用途
CustomPPOTrainer 类是为了在天然语言处理(NLP)领域中利用强化学习技能而设计的。通过继承 PPOTrainer,这个类可以利用近端策略优化(Proximal Policy Optimization, PPO)算法来优化模型。PPO 是一种在策略梯度方法中常用的强化学习算法,因为它在样本服从和易用性之间提供了一个很好的平衡。
此类的紧张功能包括:
[*]模型微调:利用PPO算法对特定使命举行微调。这在NLP中非常有用,尤其是在没有大量标注数据的环境下,可以通过嘉奖信号来引导模型学习。
[*]嘉奖模型的集成:支持利用独立的嘉奖模型来定义和盘算练习期间的嘉奖,这对于主动化文本生成使命中的目标优化至关紧张。
[*]高度可配置:提供了广泛的配置选项,使研究职员能够在差别的实行设置和使命需求下调解模型的行为。
[*]生成控制:通过 generation_config 支持高级生成控制,如指定特殊符号和调解生成参数。
[*]支持多设备练习:支持利用像DeepSpeed如许的加快库来举行分布式练习,优化练习速度和资源利用。
潜在应用
在NLP领域,CustomPPOTrainer 可以应用于多种场景,例如:
[*]对话系统:通过PPO优化对话代理的回应,以进步对话质量和用户满意度。
[*]内容生成:在内容生成使命中,如消息文章、故事或诗歌生成,利用PPO练习可以帮助模型学习生成更符合特定风格或质量标准的文本。
[*]游戏与模拟:在互动式模拟或游戏环境中,PPO可以练习模型生整天然语言形貌或指令,加强用户体验。
[*]教育和培训:主动化生成讲授材料或举行学术研究辅助,如主动生成题目、解决方案或表明性文本。
总结
通过 CustomPPOTrainer,研究职员和开发者可以更有用地在各种NLP使命中实现和测试PPO和其他强化学习技能的应用。这个类提供了一个灵活的框架,不仅支持标准的模型练习和微调,还允许通过强化学习方法来优化生成的文本,使其更具有目标导向和应用适应性。
请仔细表明ppo近段策略优化算法,以及在大模型微调中的具体应用步骤。
Poe
近端策略优化 (PPO) 算法详解
近端策略优化(Proximal Policy Optimization, PPO) 是一种流行的强化学习算法,由 OpenAI 提出。它紧张用于解决议略梯度方法中的服从和稳定性题目,特别适用于处理高维和连续动作空间的使命。PPO 的核心思想是在举行策略更新时,限制更新步骤的大小,从而避免过大的策略更新造成的性能下降。
PPO 的关键特点:
[*] 目标函数:PPO 利用一种特殊的目标函数,它通过引入裁剪概率比率来避免太大的策略更新。这个比率是新策略与旧策略之间概率的比值,当这个比值超出预设的阈值时,目标函数会将其裁剪,以维持更新的稳定性。
[*] 两种紧张变体:
[*]PPO-Clip:利用裁剪的概率比例来限制策略更新的幅度。
[*]PPO-Penalty:通过增加一个关于概率比率的约束项来调解目标函数。
[*]多次更新:在每个数据批次上执行多次梯度更新,从而进步数据的利用服从。
[*] 在大模型微调中的应用步骤:
PPO 可以用于大型模型(如 Transformer 模型)的微调,特别是在涉及序列决议使命,如文本生成或游戏中。以下是利用 PPO 微调大模型的具体步骤:
[*] 环境与模型的设置:
[*]定义或选择一个环境,该环境应能生成与使命相关的状态,并能担当模型输出的动作来返回嘉奖。
[*]准备或预练习一个大型神经网络模型,如 GPT 或 BERT,作为策略网络。
[*] 收集数据:
[*]利用当前策略(模型)与环境交互,收集一系列状态、动作、嘉奖和新状态。
[*] 上风估计:
[*]盘算上风函数,通常利用 Generalized Advantage Estimation (GAE)。上风函数帮助算法评估某一动作相比均匀水平好到什么水平。
[*] 目标函数的构建与优化:
[*]利用收集到的数据,构建 PPO 的目标函数。这包括盘算旧策略和新策略的比率,并应用裁剪。
[*]对策略网络举行梯度上升,以最大化目标函数。
[*] 多次迭代:
[*]重复数据收集和策略更新过程多次,每次迭代都根据新的策略与环境交互,继续优化模型。
[*] 评估与调解:
[*]定期评估策略的性能,必要时调解算法参数,如裁剪阈值、上风估计的折扣因子等。
[*] 集成与部署:
[*]微调完成后,集成并部署模型到实际应用中。
[*] PPO 在处理需要长期序列决议和高维动作空间的使命时表现出色,因此它在天然语言处理和复杂策略游戏等领域的应用尤为有用。通过得当的环境设计和嘉奖布局,PPO 可以帮助大型模型学习如何在复杂环境中做出更优的决议,从而提升团体性能和应用的实用性。
def ppo_train(self, resume_from_checkpoint: Optional = None) -> None:
r""" Implements training loop for the PPO stage, like _inner_training_loop() in Huggingface's Trainer. """ if resume_from_checkpoint is not None: raise ValueError("`resume_from_checkpoint` will be supported in the future version.") total_train_batch_size = ( self.args.per_device_train_batch_size * self.args.gradient_accumulation_steps * self.finetuning_args.ppo_buffer_size * self.args.world_size )
if self.args.max_steps > 0: num_examples = total_train_batch_size * self.args.max_steps num_train_epochs = sys.maxsize max_steps = self.args.max_steps steps_in_epoch = self.args.max_steps else:
len_dataloader = len(self.dataloader) num_examples = len(self.dataset) num_train_epochs = self.args.num_train_epochs max_steps = math.ceil(num_train_epochs * len_dataloader) steps_in_epoch = len_dataloader self.state.max_steps = max_steps self.state.num_train_epochs = num_train_epochs self.state.is_local_process_zero = self.is_local_process_zero() self.state.is_world_process_zero = self.is_world_process_zero() if self.is_world_process_zero(): logger.info("***** Running training *****") logger.info("Num examples = {}".format(num_examples)) logger.info("Num Epochs = {}".format(num_train_epochs)) logger.info("Instantaneous batch size per device = {}".format(self.args.per_device_train_batch_size)) logger.info( "Total train batch size (w. parallel, buffer, distributed & accumulation) = {}".format( total_train_batch_size )
)
logger.info("Gradient Accumulation steps = {}".format(self.args.gradient_accumulation_steps)) logger.info("Num optimization epochs per batch = {}".format(self.finetuning_args.ppo_epochs)) logger.info("Total training steps = {}".format(max_steps)) logger.info("Number of trainable parameters = {}".format(count_parameters(self.model))) unwrapped_model: "AutoModelForCausalLMWithValueHead" = self.accelerator.unwrap_model(self.model) dataiter = iter(self.dataloader) loss_meter = AverageMeter() reward_meter = AverageMeter() self.log_callback.on_train_begin(self.args, self.state, self.control) for step in tqdm(range(max_steps), disable=not self.is_local_process_zero()): try: batch = next(dataiter) except StopIteration: dataiter = iter(self.dataloader) batch = next(dataiter) # Cast to inference mode unwrapped_model.gradient_checkpointing_disable() unwrapped_model.config.use_cache = True self.model.eval() # Get inputs self.tokenizer.padding_side = "right"# change padding side queries, responses, rewards = [], [], [] for idx in range(0, self.config.batch_size, self.config.mini_batch_size): mini_batch_queries, mini_batch_responses = self.get_inputs( batch )
mini_batch_rewards = self.get_rewards(mini_batch_queries, mini_batch_responses, unwrapped_model) queries.extend(mini_batch_queries) responses.extend(mini_batch_responses) rewards.extend(mini_batch_rewards) # Cast to training mode unwrapped_model.gradient_checkpointing_enable() unwrapped_model.config.use_cache = False self.model.train() # Run PPO step stats = self.step(queries, responses, rewards) self.tokenizer.padding_side = "left"# restore padding side loss_meter.update(float(stats["ppo/loss/total"]), n=len(rewards)) reward_meter.update(torch.stack(rewards).mean().item(), n=len(rewards)) if self.config.log_with is not None: try: batch["query"] = self.tokenizer.batch_decode(queries, skip_special_tokens=True) batch["response"] = self.tokenizer.batch_decode(responses, skip_special_tokens=True) self.log_stats(stats, batch, rewards) except Exception: logger.warning("Failed to save stats due to unknown errors.") self.state.global_step += 1 self.log_callback.on_step_end(self.args, self.state, self.control) if self.is_local_process_zero() and (step + 1) % self.args.logging_steps == 0: logs = dict( loss=round(loss_meter.avg, 4), reward=round(reward_meter.avg, 4), learning_rate=stats["ppo/learning_rate"], epoch=round(step / steps_in_epoch, 2), )
tqdm.write(str(logs)) logs["step"] = step self.state.log_history.append(logs) self.log_callback.on_log(self.args, self.state, self.control) loss_meter.reset() reward_meter.reset() if (step + 1) % self.args.save_steps == 0:# save checkpoint self.save_model( os.path.join(self.args.output_dir, "{}-{}".format(PREFIX_CHECKPOINT_DIR, self.state.global_step)) )
self.save_callback.on_save( self.args, self.state, self.control, model=self.accelerator.unwrap_model(self.model) )
if self.control.should_epoch_stop or self.control.should_training_stop: break self.log_callback.on_train_end(self.args, self.state, self.control) self.save_callback.on_train_end( self.args, self.state, self.control, model=self.accelerator.unwrap_model(self.model) )
这段代码是一个较为复杂的 PPO 练习循环实现,涵盖了从模型初始化到循环练习,以及日记记载和模型保存等功能。我们将逐行表明其核心内容:
python
复制
def ppo_train(self, resume_from_checkpoint: Optional = None) -> None:
[*]定义了 ppo_train 方法,该方法担当一个可选的参数 resume_from_checkpoint,用于未来版本支持从查抄点规复练习。
python
复制
if resume_from_checkpoint is not None:
raise ValueError("`resume_from_checkpoint` will be supported in the future version.")
[*]如果传入 resume_from_checkpoint 参数,当前版本会抛出非常,提示该功能将在未来版本中支持。
python
复制
total_train_batch_size = (
self.args.per_device_train_batch_size
* self.args.gradient_accumulation_steps
* self.finetuning_args.ppo_buffer_size
* self.args.world_size
)
[*]盘算总练习批次大小,考虑了每设备批次大小、梯度累积步数、PPO缓冲区大小和分布式练习中的天下大小(即处理器数量)。
python
复制
if self.args.max_steps > 0:
num_examples = total_train_batch_size * self.args.max_steps
num_train_epochs = sys.maxsize
max_steps = self.args.max_steps
steps_in_epoch = self.args.max_steps
else:
len_dataloader = len(self.dataloader)
num_examples = len(self.dataset)
num_train_epochs = self.args.num_train_epochs
max_steps = math.ceil(num_train_epochs * len_dataloader)
steps_in_epoch = len_dataloader
[*]根据是否指定了最大步数 (max_steps) 来决定练习的迭代方式和周期。如果指定了最大步数,则利用最大步数来盘算总例数和练习周期,否则根据数据加载器和数据集的大小盘算。
python
复制
self.state.max_steps = max_steps
self.state.num_train_epochs = num_train_epochs
self.state.is_local_process_zero = self.is_local_process_zero()
self.state.is_world_process_zero = self.is_world_process_zero()
[*]初始化练习状态,包括最大步数、练习周期数以及是否是本地或全局的主进程(用于控制日记和模型保存等操作)。
python
复制
if self.is_world_process_zero():
...
[*]如果当前进程是全局主进程,则记载练习的相关信息,包括例数、周期数、批次大小、梯度累积步数等。
python
复制
unwrapped_model: "AutoModelForCausalLMWithValueHead" = self.accelerator.unwrap_model(self.model)
dataiter = iter(self.dataloader)
loss_meter = AverageMeter()
reward_meter = AverageMeter()
self.log_callback.on_train_begin(self.args, self.state, self.control)
[*]解包模型以便直接操作,初始化数据加载器的迭代器,创建丧失和嘉奖的度量工具,并触发练习开始的回调。
python
复制
for step in tqdm(range(max_steps), disable=not self.is_local_process_zero()):
...
[*]主练习循环,利用 tqdm 来展示进度条。循环将根据最大步数执行,并在本地主进程中表现进度。
接下来的代码块涉及处理数据批次、执行模型的推理和练习、记载统计数据、处理日记和保存模型的功能。由于篇幅限制,这里不对每一行代码举行详细表明,但大致流程包括:
[*]从数据加载器中获取批次数据。
[*]将模型置于推理模式,处理输入数据,获取嘉奖。
[*]切换到练习模式,执行 PPO 练习步骤。
[*]更新丧失和嘉奖的度量,记载日记和统计信息。
[*]根据设定的间隔保存模型和执行回调。
这个过程循环,直到到达最大步数或满足特定的停止条件。整个练习循环详细地处理了模型的运行状态、性能监控以及与分布式练习相关的特定操作。
def create_optimizer( self, model: "AutoModelForCausalLMWithValueHead",
training_args: "Seq2SeqTrainingArguments",
finetuning_args: "FinetuningArguments",
) -> "torch.optim.Optimizer": optimizer = create_custom_optimzer(model, training_args, finetuning_args) if optimizer is None: decay_params, nodecay_params = [], [] decay_param_names = self.get_decay_parameter_names(model) for name, param in model.named_parameters(): if param.requires_grad: if name in decay_param_names: decay_params.append(param) else:
nodecay_params.append(param) optim_class, optim_kwargs = Trainer.get_optimizer_cls_and_kwargs(training_args) param_groups = [ dict(params=nodecay_params), dict(params=decay_params, weight_decay=training_args.weight_decay), ] optimizer = optim_class(param_groups, **optim_kwargs) return optimizer def create_scheduler( self, training_args: "Seq2SeqTrainingArguments", num_training_steps: int, optimizer: "torch.optim.Optimizer" ) -> "torch.optim.lr_scheduler.LRScheduler": create_custom_scheduler(training_args, num_training_steps, optimizer) lr_scheduler = get_scheduler( training_args.lr_scheduler_type, optimizer=optimizer, num_warmup_steps=training_args.get_warmup_steps(num_training_steps), num_training_steps=num_training_steps, )
return lr_scheduler @torch.no_grad() def get_inputs(self, batch: Dict) -> Tuple, List]: r""" Generates model's responses given queries. """ if self.model_args.upcast_layernorm: layernorm_params = dump_layernorm(self.model) if batch["input_ids"].size(0) == 1:# handle llama2 ppo with gradient accumulation > 1 start_index = (batch["input_ids"] != self.tokenizer.pad_token_id).nonzero().item() for k, v in batch.items(): batch = v[:, start_index:] unwrapped_model: "AutoModelForCausalLMWithValueHead" = self.accelerator.unwrap_model(self.model) generate_output: torch.Tensor = unwrapped_model.generate( generation_config=self.generation_config, logits_processor=get_logits_processor(), **batch )
if self.model_args.upcast_layernorm: restore_layernorm(self.model, layernorm_params) query = batch["input_ids"].detach().cpu() response = generate_output[:, batch["input_ids"].size(-1) :].detach().cpu() queries, responses = [], [] for i in range(len(query)): query_start_index = (query != self.tokenizer.pad_token_id).nonzero().item() response_index = (response != self.tokenizer.pad_token_id).nonzero() if len(response_index) == 0: response_length = 1# allow empty response else:
response_length = response_index[-1].item() + 1 queries.append(query)# remove padding from left responses.append(response)# remove padding from right return queries, responses @torch.no_grad() def get_rewards( self, queries: List, responses: List, unwrapped_model: "AutoModelForCausalLMWithValueHead", ) -> List: r""" Computes scores using given reward model. Both inputs and outputs are put on CPU. """ if self.finetuning_args.reward_model_type == "api": token_ids = messages = self.tokenizer.batch_decode(token_ids, skip_special_tokens=True) return get_rewards_from_server(self.reward_model, messages) if self.finetuning_args.reward_model_type == "lora": replace_model(unwrapped_model, target="reward") reward_model = self.model else:
reward_model = self.reward_model batch = self.prepare_model_inputs(queries, responses) with torch.cuda.amp.autocast(dtype=self.model_args.compute_dtype):# support bf16 _, _, values = reward_model(**batch, output_hidden_states=True, return_dict=True, use_cache=False) if getattr(unwrapped_model.config, "model_type", None) == "chatglm":# assume same architecture values = torch.transpose(values, 0, 1) rewards = [] for i in range(values.size(0)): end_indexes = (batch["input_ids"] != self.tokenizer.pad_token_id).nonzero() end_index = end_indexes[-1].item() if len(end_indexes) else 0 rewards.append(values.float().detach().cpu())# use fp32 type if self.finetuning_args.reward_model_type == "lora": replace_model(unwrapped_model, target="default") return rewards
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。
页:
[1]