Zmírnění negativní KL divergence

Při fine-tuningu modelu pomocí technik RLHF jsi zjistil/a, že jeho výkon se ve srovnání se základním modelem zhoršil. Příčinou by mohla být negativní KL divergence, proto chceš nastavit správné parametry generování, které tomuto problému zabrání.

tokenizer je již předem naimportován.

Toto cvičení je součástí kurzu

Reinforcement Learning from Human Feedback (RLHF)

Zobrazit kurz

Pokyny k cvičení

Nastav top_k a min_length na hodnoty, které pomohou předejít KL divergenci.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

generation_kwargs = {
    # Set min length and top k parameters
    ____, 
  	"top_p": 1.0,
  	"do_sample": True,  
  	"pad_token_id": tokenizer.eos_token_id, 
  	"max_new_tokens": 32}

Upravit a spustit kód

Toto cvičení je součástí kurzu

Reinforcement Learning from Human Feedback (RLHF)

SkillTag.level.advancedSkillTag.label

4.8+

307 reviews

Začněte kurz zdarma

Tato kapitola tě seznámí se základy Reinforcement Learning with Human Feedback (RLHF) – techniky, která využívá lidský vstup k efektivnějšímu učení AI modelů. Začni s RLHF tím, že pochopíš, čím se liší od tradičního reinforcement learningu a proč může lidská zpětná vazba zlepšit výkon AI v různých oblastech.

Exercise 1: Úvod do RLHF Exercise 2: Generování textu s RLHF Exercise 3: Klasifikace generovaného textu pro RLHF Exercise 4: RL vs. RLHF Exercise 5: Prozkoumání předtrénovaných LLM Exercise 6: Tokenizace textového datasetu Exercise 7: Fine-tuning pro klasifikaci recenzí Exercise 8: Příprava dat pro RLHF Exercise 9: Příprava preference datasetu Exercise 10: Extrakce promptů

Zjisti, jak nastavit systémy pro sběr lidské zpětné vazby. Naučíš se osvědčené postupy pro získávání kvalitních dat – od párového porovnávání po uncertainty sampling – a prozkoumáš strategie, jak sběr dat ještě vylepšit.

Exercise 1: Metody pro sběr kvalitní zpětné vazby Exercise 2: Porovnávání a hodnocení v RLHF Exercise 3: Porovnávání sloganů pro kampaň fitness centra Exercise 4: Měření kvality a relevance zpětné vazby Exercise 5: Nízká míra jistoty Exercise 6: K-means pro shlukování zpětné vazby Exercise 7: Aktivní učení Exercise 8: Implementace pipeline aktivního učení Exercise 9: Smyčka aktivního učení

V této kapitole se dostaneš k jádru tréninku Reinforcement Learning from Human Feedback. Prozkoumáš fine-tuning s PPO, techniky efektivního trénování a způsoby, jak zvládat potenciální odchylky od cílů tvých metrik.

Exercise 1: Reward modely v praxi Exercise 2: Inicializace odměny Exercise 3: Nastavení reward traineru Exercise 4: Trénink s PPO Exercise 5: Inicializace PPO trenéra Exercise 6: Fine-tuning s PPO Exercise 7: Efektivní fine-tuning v RLHF Exercise 8: Příprava na 8bitový trénink Exercise 9: Trénink s LoRA

V poslední kapitole kurzu Reinforcement Learning from Human Feedback (RLHF) prozkoumáš klíčové techniky pro hodnocení a zlepšování výkonu modelů: od ladění metrik až po zapojení různorodých zdrojů zpětné vazby. Získáš komplexní sadu nástrojů pro efektivní vylepšování svých modelů.

Exercise 1: Metriky modelů a jejich úpravy Exercise 2: Zmírnění negativní KL divergence

Aktuální cvičení

Exercise 3: Kontrola modelu odměn Exercise 4: Zapojení různorodých zdrojů zpětné vazby Exercise 5: Hlasování většiny z více datových zdrojů Exercise 6: Identifikace nespolehlivých zdrojů dat Exercise 7: Vyhodnocování RLHF modelů Exercise 8: Interpretace křivek Exercise 9: Hodnocení RLHF pomocí metrik Exercise 10: Zakončení tvé cesty s RLHF