Düşük güven

Bu egzersizde, bir ödül modeliyle çalışarak giriş metnini ne kadar güvenle sınıflandırdığını değerlendirecek ve güvenilir olmayan tahminleri filtreleyeceksin. Amaç, modelin tahmin üretme becerisini değerlendirmek ve yalnızca yüksek güvene sahip tahminlerin geçerli sayılmasını sağlamak için bir güven eşiği uygulamak.

Her bir geri bildirim metni için olasılık dağılımları (prob_dists) ve geri bildirim metinleri (texts) değişkenleri ile least_confidence() fonksiyonu yüklendi.

Bu egzersiz

İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Güven değeri verilen bir eşikten düşük olan olasılık dağılımlarının indekslerini filtreleyen fonksiyonu tanımla.
Eşiği değiştirmeden (0.5), olasılık dağılımlarını fonksiyona geçirerek geri bildirim yorumlarının indekslerini al.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Define the filter function
def filter_low_confidence_predictions(prob_dists, threshold=0.5):
    filtered_indices = [i for i, ____ in enumerate(____) ____]
    return filtered_indices

# Find the indices
filtered_indices = ____

high_confidence_texts = [texts[i] for i in filtered_indices]
print("High-confidence texts:", high_confidence_texts)

Kodu Düzenle ve Çalıştır

Bu egzersiz

İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

kursunun bir parçasıdır

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

This chapter introduces the basics of Reinforcement Learning with Human Feedback (RLHF), a technique that uses human input to help AI models learn more effectively. Get started with RLHF by understanding how it differs from traditional reinforcement learning and why human feedback can enhance AI performance in various domains.

Exercise 1: Introduction to RLHF Exercise 2: Text generation with RLHF Exercise 3: Classifying generated text for RLHF Exercise 4: RL vs. RLHF Exercise 5: Exploring pre-trained LLMs Exercise 6: Tokenize a text dataset Exercise 7: Fine-tuning for review classification Exercise 8: Preparing data for RLHF Exercise 9: Preparing the preference dataset Exercise 10: Extracting prompts

Discover how to set up systems for gathering human feedback in this Chapter. Learn best practices for collecting high-quality data, from pairwise comparisons to uncertainty sampling, and explore strategies for enhancing your data collection.

Exercise 1: Yüksek kaliteli geri bildirim toplama yöntemleri Exercise 2: RLHF'de karşılaştırma ve derecelendirmeyi anlama Exercise 3: Bir spor salonu kampanyası için sloganları karşılaştırma Exercise 4: Geri bildirim kalitesini ve uygunluğunu ölçme Exercise 5: Düşük güven

Geçerli Egzersiz

Exercise 6: Geri bildirim kümeleme için K-means Exercise 7: Aktif öğrenme Exercise 8: Aktif öğrenme hattı (pipeline) uygulama Exercise 9: Aktif öğrenme döngüsü

In this Chapter, you'll get into the core of Reinforcement Learning from Human Feedback training. This includes exploring fine-tuning with PPO, techniques to train efficiently, and handling potential divergences from your metrics' objectives.

Exercise 1: Reward models explored Exercise 2: Initializing the reward Exercise 3: Setting up the reward trainer Exercise 4: Training with PPO Exercise 5: Initialize the PPO trainer Exercise 6: PPO fine-tuning Exercise 7: Efficient fine-tuning in RLHF Exercise 8: Prepare for 8-bit Training Exercise 9: Train with LoRA

Explore key techniques for assessing and improving model performance in this last Chapter of Reinforcement Learning from Human Feedback (RLHF): from fine-tuning metrics to incorporating diverse feedback sources, you'll be provided with a comprehensive toolkit to refine your models effectively.

Exercise 1: Model metrics and adjustments Exercise 2: Mitigating negative KL divergence Exercise 3: Checking the reward model Exercise 4: Incorporating diverse feedback sources Exercise 5: Majority voting on multiple data sources Exercise 6: Unreliable data source identification Exercise 7: Evaluating RLHF models Exercise 8: Interpreting curves Exercise 9: Evaluating RLHF with metrics Exercise 10: Wrapping up your RLHF journey