如何把做的网站与域名连接酒店网站建设设计

如何把做的网站与域名连接,酒店网站建设设计,360手机优化大师下载,二手市场网站开发文章详解了大模型对齐的两种方法#xff1a;RLHF和DPO。RLHF通过人类反馈强化学习训练模型#xff0c;但存在训练不稳定、成本高、需要多个模型协作等问题。DPO#xff08;直接偏好优化#xff09;是斯坦福大学提出的新方法#xff0c;从理论上消除了奖励模型和强化学习环…文章详解了大模型对齐的两种方法RLHF和DPO。RLHF通过人类反馈强化学习训练模型但存在训练不稳定、成本高、需要多个模型协作等问题。DPO直接偏好优化是斯坦福大学提出的新方法从理论上消除了奖励模型和强化学习环节直接使用偏好数据对模型进行微调简化了训练流程降低了计算成本并提供了完整的代码实现和训练案例使大模型对齐更加高效可行。概要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。当然DPO现在也有很多扩展算法,这些算法都是去优化或改进loss目标函数:IPO (Identity Preference Optimization)KTOKahneman-Tversky OptimizationRSORejection Sampling OptimizationSamPODown-Sampled DPOAI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档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。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、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。6. 大模型面试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们将提供精心整理的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。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】