Ödülü başlatma

Kişiselleştirilmiş öneriler sunmak için tasarlanmış bir üretici modeli çevrimiye alma sürecinin son aşamasındasın. Bu modeli insanların tercih ettiği önerilerle hizalamak için, topladığın tercih verilerini kullanarak bir ödül modeli eğitmen gerekiyor. İlk adım, modeli ve yapılandırma parametrelerini başlatmak.

AutoTokenizer ve AutoModelForSequenceClassification transformers paketinden, RewardConfig ise trl paketinden önceden yüklendi.

Bu egzersiz

İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Hugging Face'in AutoModelForSequenceClassification sınıfını kullanarak dizi sınıflandırma görevi için GPT-1 modelini, "openai-gpt", yükle.
Ödül yapılandırmasını "output_dir" çıktılar dizini olacak şekilde başlat ve belirteç maksimum uzunluğunu 60 olarak ayarla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Load the pre-trained GPT-1 model for text classification
model = ____

tokenizer = AutoTokenizer.from_pretrained("openai-gpt")

# Initialize the reward configuration and set max_length
config = ____(output_dir=____, max_length=____)

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: Methods for high-quality feedback gathering Exercise 2: Understanding comparison and rating in RLHF Exercise 3: Comparing slogans for a gym campaign Exercise 4: Measuring feedback quality and relevance Exercise 5: Low confidence Exercise 6: K-means for feedback clustering Exercise 7: Active learning Exercise 8: Implementing an active learning pipeline Exercise 9: Active learning loop

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: Ödül modellerine derin bakış Exercise 2: Ödülü başlatma

Geçerli Egzersiz

Exercise 3: Ödül eğitmenini ayarlama Exercise 4: PPO ile eğitim Exercise 5: PPO eğitmenini başlat Exercise 6: PPO ile ince ayar Exercise 7: RLHF'te verimli ince ayar Exercise 8: 8-bit Eğitime Hazırlık Exercise 9: LoRA ile eğit

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